Abstract Resting-state fMRI is commonly used to derive brain parcellations, which are widely used for dimensionality reduction and interpreting human neuroscience studies. We previously developed a model that integrates local and global approaches for estimating areal-level cortical parcellations. The resulting local-global parcellations are often referred to as the Schaefer parcellations. However, the lack of homotopic correspondence between left and right Schaefer parcels has limited their use for brain lateralization studies. Here, we extend our previous model to derive homotopic areal-level parcellations. Using resting-fMRI and task-fMRI across diverse scanners, acquisition protocols, preprocessing and demographics, we show that the resulting homotopic parcellations are as homogeneous as the Schaefer parcellations, while being more homogeneous than five publicly available parcellations. Furthermore, weaker correlations between homotopic parcels are associated with greater lateralization in resting network organization, as well as lateralization in language and motor task activation. Finally, the homotopic parcellations agree with the boundaries of a number of cortical areas estimated from histology and visuotopic fMRI, while capturing sub-areal (e.g., somatotopic and visuotopic) features. Overall, these results suggest that the homotopic local- global parcellations represent neurobiologically meaningful subdivisions of the human cerebral cortex and will be a useful resource for future studies. Multi-resolution parcellations estimated from 1479 participants are publicly available (GITHUB_LINK).

Brain age has emerged as a powerful tool to understand neuroanatomical aging and its link to health outcomes like cognition. However, most brain age models are trained and tested on cross-sectional data from primarily Caucasian, adult participants. It is thus unclear how well these models generalize to non-Caucasian participants, especially children. Furthermore, there is a lack of studies investigating the longitudinal change in brain age gap and its relationship to cognition. Here, we tested a previously published deep learning model on Singaporean elderly participants (55-88 years old) and children (4-11 years old). We found that the model directly generalized to the elderly participants, but model finetuning was necessary for children. After finetuning, we found that the longitudinal change in brain age gap was associated with future executive function performance in both elderly participants and children. We further found that lateral ventricles and frontal areas contributed to brain age prediction in elderly participants, while white matter and posterior brain regions were more important in predicting brain age of children. Taken together, our results suggest that there is potential for generalizing brain age models to diverse populations. Moreover, the longitudinal change in brain age gap reflects developing and aging processes in the brain, relating to future cognitive function.

Abstract Functional connectivity analyses have given considerable insights into human brain function and organization. As research moves towards clinical application, test-retest reliability has become a main focus of the field. So far, the majority of studies have relied on resting-state paradigms to examine brain connectivity, based on its low demand and ease of implementation. However, the reliability of resting-state measures is mostly moderate, potentially due to its unconstrained nature. Recently, naturalistic viewing paradigms have gained popularity because they probe the human brain under more ecologically valid conditions, thereby possibly increasing reliability. Therefore, we here compared the reliability of graph metrics extracted from resting-state and naturalistic viewing in functional networks, across two sessions. We show that naturalistic viewing can increase reliability over resting-state, but that its effect varies between stimuli and networks. Furthermore, we demonstrate that the effect of naturalistic viewing differs between two cohorts with Asian and European cultural backgrounds. Taken together, our study encourages the use of naturalistic viewing to increase reliability, but emphasizes the need to carefully select the appropriate stimulus and network for the respective research question.

ABSTRACT Background Large-scale neuronal network breakdown underlies memory impairment in Alzheimer’s disease (AD). However, the differential trajectories of the relationships between network organization and memory across pathology and cognitive stages in AD remain elusive. We determined whether and how the influences of individual-level structural and metabolic covariance network integrity on memory varied with amyloid pathology across clinical stages without assuming a constant relationship. Methods 708 participants from the Alzheimer’s Disease Neuroimaging Initiative were studied. Individual-level structural and metabolic covariance scores in higher-level cognitive and hippocampal networks were derived from magnetic resonance imaging and [ 18 F]fluorodeoxyglucose positron emission tomography using seed-based partial least square analyses. The non-linear associations between network scores and memory across cognitive stages in each pathology group were examined using sparse varying coefficient modelling. Results We showed that the associations of memory with structural and metabolic networks in the hippocampal and default mode regions exhibited pathology-dependent differential trajectories across cognitive stages using sparse varying coefficient modelling. In amyloid pathology group, there was an early influence of hippocampal structural network deterioration on memory impairment in the preclinical stage, and a biphasic influence of the angular gyrus-seeded default mode network metabolism on memory in both preclinical and dementia stages. In non-amyloid pathology groups, in contrast, the trajectory of the hippocampus-memory association was opposite and weaker overall, while no metabolism covariance networks were related to memory. Key findings were replicated in a larger cohort of 1280 participants. Conclusions Our findings highlight potential windows of early intervention targeting network breakdown at the preclinical AD stage.