Multi-atlas segmentation is an effective approach for automatically labeling objects of interest in biomedical images. In this approach, multiple expert-segmented example images, called atlases, are registered to a target image, and deformed atlas segmentations are combined using label fusion. Among the proposed label fusion strategies, weighted voting with spatially varying weight distributions derived from atlas-target intensity similarity have been particularly successful. However, one limitation of these strategies is that the weights are computed independently for each atlas, without taking into account the fact that different atlases may produce similar label errors. To address this limitation, we propose a new solution for the label fusion problem in which weighted voting is formulated in terms of minimizing the total expectation of labeling error and in which pairwise dependency between atlases is explicitly modeled as the joint probability of two atlases making a segmentation error at a voxel. This probability is approximated using intensity similarity between a pair of atlases and the target image in the neighborhood of each voxel. We validate our method in two medical image segmentation problems: hippocampus segmentation and hippocampus subfield segmentation in magnetic resonance (MR) images. For both problems, we show consistent and significant improvement over label fusion strategies that assign atlas weights independently.

Many studies of the human brain have explored the relationship between cortical thickness and cognition, phenotype, or disease. Due to the subjectivity and time requirements in manual measurement of cortical thickness, scientists have relied on robust software tools for automation which facilitate the testing and refinement of neuroscientific hypotheses. The most widely used tool for cortical thickness studies is the publicly available, surface-based FreeSurfer package. Critical to the adoption of such tools is a demonstration of their reproducibility, validity, and the documentation of specific implementations that are robust across large, diverse imaging datasets. To this end, we have developed the automated, volume-based Advanced Normalization Tools (ANTs) cortical thickness pipeline comprising well-vetted components such as SyGN (multivariate template construction), SyN (image registration), N4 (bias correction), Atropos (n-tissue segmentation), and DiReCT (cortical thickness estimation). In this work, we have conducted the largest evaluation of automated cortical thickness measures in publicly available data, comparing FreeSurfer and ANTs measures computed on 1205 images from four open data sets (IXI, MMRR, NKI, and OASIS), with parcellation based on the recently proposed Desikan–Killiany–Tourville (DKT) cortical labeling protocol. We found good scan–rescan repeatability with both FreeSurfer and ANTs measures. Given that such assessments of precision do not necessarily reflect accuracy or an ability to make statistical inferences, we further tested the neurobiological validity of these approaches by evaluating thickness-based prediction of age and gender. ANTs is shown to have a higher predictive performance than FreeSurfer for both of these measures. In promotion of open science, we make all of our scripts, data, and results publicly available which complements the use of open image data sets and the open source availability of the proposed ANTs cortical thickness pipeline.

We evaluate a fully automatic technique for labeling hippocampal subfields and cortical subregions in the medial temporal lobe in in vivo 3 Tesla MRI. The method performs segmentation on a T2-weighted MRI scan with 0.4 × 0.4 × 2.0 mm(3) resolution, partial brain coverage, and oblique orientation. Hippocampal subfields, entorhinal cortex, and perirhinal cortex are labeled using a pipeline that combines multi-atlas label fusion and learning-based error correction. In contrast to earlier work on automatic subfield segmentation in T2-weighted MRI [Yushkevich et al., 2010], our approach requires no manual initialization, labels hippocampal subfields over a greater anterior-posterior extent, and labels the perirhinal cortex, which is further subdivided into Brodmann areas 35 and 36. The accuracy of the automatic segmentation relative to manual segmentation is measured using cross-validation in 29 subjects from a study of amnestic mild cognitive impairment (aMCI) and is highest for the dentate gyrus (Dice coefficient is 0.823), CA1 (0.803), perirhinal cortex (0.797), and entorhinal cortex (0.786) labels. A larger cohort of 83 subjects is used to examine the effects of aMCI in the hippocampal region using both subfield volume and regional subfield thickness maps. Most significant differences between aMCI and healthy aging are observed bilaterally in the CA1 subfield and in the left Brodmann area 35. Thickness analysis results are consistent with volumetry, but provide additional regional specificity and suggest nonuniformity in the effects of aMCI on hippocampal subfields and MTL cortical subregions.

White matter supports critical brain functions such as learning and memory, modulates the distribution of action potentials, and transmits neural information between brain regions. Notably, neuronal cell bodies exist in deeper white matter tissue, neurotransmitter vesicles are released directly in white matter, and white matter blood-oxygenation level dependent (BOLD) signals are detectable across a range of different tasks—all appearing to reflect a dynamic, active tissue from which recorded signals can reveal meaningful information about the brain. Yet, the signals within white matter have largely been ignored. Here, we elucidate the properties of white matter signals using intracranial EEG in a bipolar montage. We show that such signals capture the communication between brain regions and differentiate pathophysiologies of epilepsy. In direct contradiction to past assumptions that white matter functional signals provide little value, we show that white matter recordings can elucidate brain function and pathophysiology. Broadly, white matter functional recordings acquired through implantable devices may provide a wealth of currently untapped knowledge about the neurobiology of disease.

Abstract The medial temporal lobe (MTL) is widely implicated in supporting episodic memory and navigation, but its precise functional role in organizing memory across time and space remains elusive. Here we examine the specific cognitive processes implemented by MTL structures (hippocampus and entorhinal cortex) to organize memory by using electrical brain stimulation, leveraging its ability to establish causal links between brain regions and features of behavior. We studied neurosurgical patients of both sexes who performed spatial-navigation and verbal-episodic memory tasks while brain stimulation was applied in various regions during learning. During the verbal memory task, stimulation in the MTL disrupted the temporal organization of encoded memories such that items learned with stimulation tended to be recalled in a more randomized order. During the spatial task, MTL stimulation impaired subjects’ abilities to remember items located far away from boundaries. These stimulation effects were specific to the MTL. Our findings thus provide the first causal demonstration in humans of the specific memory processes that are performed by the MTL to encode when and where events occurred. Significance Statement Numerous studies have implicated the medial temporal lobe (MTL) in encoding spatial and temporal memories, but they have not been able to causally demonstrate the nature of the cognitive processes by which this occurs in real-time. Electrical brain stimulation is able to demonstrate causal links between a brain region and a given function with high temporal precision. By examining behavior in a memory task as subjects received MTL stimulation, we provide the first causal evidence demonstrating the role of the MTL in organizing the spatial and temporal aspects of episodic memory.

Although seizure detection algorithms are widely used to localize seizure onset on intracranial EEG in epilepsy patients, relatively few studies focus on seizure activity beyond the seizure onset zone to direct treatment of surgical patients with epilepsy. To address this gap, we develop and compare fully automated deep learning algorithms to detect seizure activity on single channels, effectively quantifying spread when deployed across multiple channels. Across 275 seizures in 71 patients, we discover that the extent of seizure spread across the brain and the timing of seizure spread between temporal lobe regions is associated with both surgical outcomes and the brain’s structural connectivity between temporal lobes. Finally, we uncover a hierarchical structure of seizure spread patterns highlighting the relationship between clusters of seizures. Collectively, these findings underscore the broad utility in quantifying seizure activity past seizure onset to identify novel mechanisms of seizure evolution and its relationship to potential seizure freedom.

Brain maps, or atlases, are essential tools for studying brain function and organization. The abundance of available atlases used across the neuroscience literature, however, creates an implicit challenge that may alter the hypotheses and predictions we make about neurological function and pathophysiology. Here, we demonstrate how parcellation scale, shape, anatomical coverage, and other atlas features may impact our prediction of the brain’s function from its underlying structure. We show how network topology, structure-function correlation (SFC), and the power to test specific hypotheses about epilepsy pathophysiology may change as a result of atlas choice and atlas features. Through the lens of our disease system, we propose a general framework and algorithm for atlas selection. This framework aims to maximize the descriptive, explanatory, and predictive validity of an atlas. Broadly, our framework strives to provide empirical guidance to neuroscience research utilizing the various atlases published over the last century.

Abstract Alzheimer’s disease typically progresses in stages, which have been defined by the presence of disease-specific biomarkers: amyloid (A), tau (T) and neurodegeneration (N). This progression of biomarkers has been condensed into the ATN framework, in which each of the biomarkers can be either positive (+) or negative (−). Over the past decades, genome-wide association studies have implicated ∼90 different loci involved with the development of late-onset Alzheimer’s disease. Here, we investigate whether genetic risk for Alzheimer’s disease contributes equally to the progression in different disease stages or whether it exhibits a stage-dependent effect. Amyloid (A) and tau (T) status was defined using a combination of available PET and CSF biomarkers in the Alzheimer’s Disease Neuroimaging Initiative cohort. In 312 participants with biomarker-confirmed A−T− status, we used Cox proportional hazards models to estimate the contribution of APOE and polygenic risk scores (beyond APOE) to convert to A+T− status (65 conversions). Furthermore, we repeated the analysis in 290 participants with A+T− status and investigated the genetic contribution to conversion to A+T+ (45 conversions). Both survival analyses were adjusted for age, sex and years of education. For progression from A−T− to A+T−, APOE-e4 burden showed a significant effect [hazard ratio (HR) = 2.88; 95% confidence interval (CI): 1.70–4.89; P < 0.001], whereas polygenic risk did not (HR = 1.09; 95% CI: 0.84–1.42; P = 0.53). Conversely, for the transition from A+T− to A+T+, the contribution of APOE-e4 burden was reduced (HR = 1.62; 95% CI: 1.05–2.51; P = 0.031), whereas the polygenic risk showed an increased contribution (HR = 1.73; 95% CI: 1.27–2.36; P < 0.001). The marginal APOE effect was driven by e4 homozygotes (HR = 2.58; 95% CI: 1.05–6.35; P = 0.039) as opposed to e4 heterozygotes (HR = 1.74; 95% CI: 0.87–3.49; P = 0.12). The genetic risk for late-onset Alzheimer’s disease unfolds in a disease stage-dependent fashion. A better understanding of the interplay between disease stage and genetic risk can lead to a more mechanistic understanding of the transition between ATN stages and a better understanding of the molecular processes leading to Alzheimer’s disease, in addition to opening therapeutic windows for targeted interventions.

Abstract Our current understanding of the spread and neurodegenerative effects of tau neurofibrillary tangles (NFTs) within the medial temporal lobe (MTL) during the early stages of Alzheimer’s Disease (AD) is limited by the presence of confounding non-AD pathologies and the two-dimensional (2-D) nature of conventional histology studies. Here, we combine ex vivo MRI and serial histological imaging from 25 human MTL specimens to present a detailed, 3-D characterization of quantitative NFT burden measures in the space of a high-resolution, ex vivo atlas with cytoarchitecturally-defined subregion labels, that can be used to inform future in vivo neuroimaging studies. Average maps show a clear anterior to poster gradient in NFT distribution and a precise, spatial pattern with highest levels of NFTs found not just within the transentorhinal region but also the cornu ammonis (CA1) subfield. Additionally, we identify granular MTL regions where measures of neurodegeneration are likely to be linked to NFTs specifically, and thus potentially more sensitive as early AD biomarkers.

ABSTRACT Frontotemporal lobar degeneration (FTLD) is a heterogeneous spectrum of age-associated neurodegenerative diseases that include two main pathologic categories of tau (FTLD-Tau) and TDP-43 (FTLD-TDP) proteinopathies. These distinct proteinopathies are often clinically indistinguishable during life, posing a major obstacle for diagnosis and emerging therapeutic trials tailored to disease-specific mechanisms. Moreover, MRI-derived measures have had limited success to date discriminating between FTLD-Tau or FTLD-TDP. T2*-weighted (T2*w) ex vivo MRI has previously been shown to be sensitive to non-heme iron in healthy intracortical lamination and myelin, and to pathological iron deposits in amyloid-beta plaques and activated microglia in Alzheimer’s disease (AD). However, an integrated, ex vivo MRI and histopathology approach is understudied in FTLD. We apply joint, whole-hemisphere ex vivo MRI at 7T and histopathology to the study autopsy-confirmed FTLD-Tau (n=3) and FTLD-TDP (n=2), relative to an AD disease-control brain with antemortem clinical symptoms of frontotemporal dementia and an age-matched healthy control. We detect distinct laminar patterns of novel iron-laden glial pathology in both FTLD-Tau and FTLD-TDP brains. We find iron-positive ameboid and hypertrophic microglia and astrocytes largely in deeper GM and adjacent WM in FTLD-Tau. In contrast, FTLD-TDP presents prominent superficial cortical layer iron reactivity in astrocytic processes enveloping small blood vessels with limited involvement of adjacent WM, as well as more diffuse distribution of punctate iron-rich dystrophic microglial processes across all GM lamina. This integrated MRI/histopathology approach reveals ex vivo MRI features that are consistent with these pathological observations distinguishing FTLD-Tau and FTLD-TDP, including prominent irregular hypointense signal in deeper cortex in FTLD-Tau whereas FTLD-TDP showed upper cortical layer hypointense bands and diffuse cortical speckling. Moreover, differences in adjacent WM degeneration and iron-rich gliosis on histology between FTLD-Tau and FTLD-TDP were also readily apparent on MRI as hyperintense signal and irregular areas of hypointensity, respectively that were more prominent in FTLD-Tau compared to FTLD-TDP. These unique histopathological and radiographic features were distinct from HC and AD brains, suggesting that iron-sensitive T2*w MRI, adapted to in vivo application at sufficient resolution, may offer an opportunity to improve antemortem diagnosis of FTLD proteinopathies using tissue-validated methods.