True coincidence count (TCC) and noise equivalent count (NEC) curves were measured with a standardized 20-cm-diameter nylon cylinder for five different CTI/Siemens PET (positron emission tomography) scanners with several scanner-collimator combinations: (1) 831/08-12 with 1-mm collimator septa; (2) 933/08-12 and 933/08-16 with 3 to 1-mm tapered collimator septa; and (3) 931/08-12 with 3 to 1-mm tapered and a 1-mm collimator septa and the 931/08-16 with 3 to 1-mm tapered collimator septa. In addition, TCC and NEC curves on the 933/08-12 were compared with those from an Alderson brain phantom. In general, it is found that the TCC curves indicated peak count rates and activity levels that were as much as 50% higher than the corresponding values from NEC curves. The primary factor causing this difference is the noise effect of the randoms component. It is demonstrated that, compared to the Alderson brain phantom, the standard 20-cm cylinder is a poor predictor of count rate performance for PET brain imaging.< >

This paper treats support vector machine (SVM) classification applied to block design fMRI, extending our previous work with linear discriminant analysis [LaConte, S., Anderson, J., Muley, S., Ashe, J., Frutiger, S., Rehm, K., Hansen, L.K., Yacoub, E., Hu, X., Rottenberg, D., Strother S., 2003a. The evaluation of preprocessing choices in single-subject BOLD fMRI using NPAIRS performance metrics. NeuroImage 18, 10-27; Strother, S.C., Anderson, J., Hansen, L.K., Kjems, U., Kustra, R., Siditis, J., Frutiger, S., Muley, S., LaConte, S., Rottenberg, D. 2002. The quantitative evaluation of functional neuroimaging experiments: the NPAIRS data analysis framework. NeuroImage 15, 747-771]. We compare SVM to canonical variates analysis (CVA) by examining the relative sensitivity of each method to ten combinations of preprocessing choices consisting of spatial smoothing, temporal detrending, and motion correction. Important to the discussion are the issues of classification performance, model interpretation, and validation in the context of fMRI. As the SVM has many unique properties, we examine the interpretation of support vector models with respect to neuroimaging data. We propose four methods for extracting activation maps from SVM models, and we examine one of these in detail. For both CVA and SVM, we have classified individual time samples of whole brain data, with TRs of roughly 4 s, thirty slices, and nearly 30,000 brain voxels, with no averaging of scans or prior feature selection.

Abstract Quality control of morphometric neuroimaging data is essential to improve reproducibility. Owing to the complexity of neuroimaging data and subsequently the interpretation of their results, visual inspection by trained raters is the most reliable way to perform quality control. Here, we present a protocol for visual quality control of the anatomical accuracy of FreeSurfer parcellations, based on an easy-to-use open source tool called VisualQC. We comprehensively evaluate its utility in terms of error detection rate and inter-rater reliability on two large multi-site datasets, and discuss site differences in error patterns. This evaluation shows that VisualQC is a practically viable protocol for community adoption.

Abstract White matter hyperintensities (WMH) are frequently observed on structural neuroimaging of elderly populations and are associated with cognitive decline and increased risk of dementia. Many existing WMH segmentation algorithms produce suboptimal results in populations with vascular lesions or brain atrophy, or require parameter tuning and are computationally expensive. Additionally, most algorithms do not generate a confidence estimate of segmentation quality, limiting their interpretation. MRI-based segmentation methods are often sensitive to acquisition protocols, scanners, noise-level, and image contrast, failing to generalize to other populations and out-of-distribution datasets. Given these concerns, we propose a novel Bayesian 3D Convolutional Neural Network (CNN) with a U-Net architecture that automatically segments WMH, provides uncertainty estimates of the segmentation output for quality control and is robust to changes in acquisition protocols. We also provide a second model to differentiate deep and periventricular WMH. 432 subjects were recruited to train the CNNs from four multi-site imaging studies. A separate test set of 158 subjects was used for evaluation, including an unseen multi-site study. We compared our model to two established state-of-the-art techniques (BIANCA and DeepMedic), highlighting its accuracy and efficiency. Our Bayesian 3D U-Net achieved the highest Dice similarity coefficient of 0.89 ± 0.08 and the lowest modified Hausdorff distance of 2.98 ± 4.40 mm. We further validated our models highlighting their robustness on ‘clinical adversarial cases’ simulating data with low signal-to-noise ratio, low resolution, and different contrast (stemming from MRI sequences with different parameters). Our pipeline and models are available at: https://hypermapp3r.readthedocs.io

Abstract White matter (WM) injury is frequently observed along with dementia. Positron emission tomography with amyloid-ligands (Aβ-PET) recently gained interest for detecting WM injury. Yet, little is understood about the origin of the altered Aβ-PET signal in WM regions. Here, we investigated the relative contributions of diffusion MRI-based microstructural alterations, including free water and tissue-specific properties, to Aβ-PET in WM and to cognition. We included a unique cohort of 115 participants covering the spectrum of low-to-severe white matter hyperintensity (WMH) burden and cognitively normal to dementia. We applied a bi-tensor diffusion-MRI model that differentiates between (i) the extracellular WM compartment (represented via free water), and (ii) the fiber-specific compartment (via free water-adjusted fractional anisotropy [FA]). We observed that, in regions of WMH, a decrease in Aβ-PET related most closely to higher free water and higher WMH volume. In contrast, in normal-appearing WM, an increase in Aβ-PET related more closely to higher cortical Aβ (together with lower free water-adjusted FA). In relation to cognitive impairment, we observed a closer relationship with higher free water than with either free water-adjusted FA or WM PET. Our findings support free water and Aβ-PET as markers of WM abnormalities in patients with mixed dementia, and contribute to a better understanding of processes giving rise to the WM PET signal.

Network-level analysis based on anatomical, pairwise similarities (e.g., cortical thickness) has been gaining increasing attention recently. However, there has not been a systematic study of the impact of spatial scale and edge definitions on predictive performance. In order to obtain a clear understanding of relative performance, there is a need for systematic comparison. In this study, we present a histogram-based approach to construct subject-wise weighted networks that enable a principled comparison across different methods of network analysis. We design several weighted networks based on three large publicly available datasets and perform a robust evaluation of their predictive power under four levels of separability. An interesting insight generated is that changes in nodal size (spatial scale) have no significant impact on predictive power among the three classification experiments and two disease cohorts studied, i.e., mild cognitive impairment and Alzheimer's disease from ADNI, and Autism from the ABIDE dataset. We also release an open source python package called graynet to enable others to implement the novel network feature extraction algorithm, which is applicable to other modalities as well (due to its domain- and feature-agnostic nature) in diverse applications of connectivity research. In addition, the findings from the ADNI dataset are replicated in the AIBL dataset using an open source machine learning tool called neuropredict.### Competing Interest StatementThe authors have declared no competing interest.

The Ontario Neurodegenerative Research Initiative (ONDRI) is a 3 year multi-site prospective cohort study that has acquired comprehensive multiple assessment platform data, including 3T structural MRI, from neurodegenerative patients with Alzheimer’s disease, mild cognitive impairment, Parkinson’s disease, amyotrophic lateral sclerosis, frontotemporal dementia, and cerebrovascular disease patients. This heterogeneous cross-section of patients with complex neurodegenerative and neurovascular pathologies pose significant challenges for standard neuroimaging tools. To effectively quantify regional measures of normal and pathological brain tissue volumes, the ONDRI neuroimaging platform implemented a semi-automated MRI processing pipeline that was able to address many of the challenges resulting from this heterogeneity. This paper describes the comprehensive neuroimaging pipeline methods used to generate regional brain tissue volumes & neurovascular markers.

ABSTRACT Background Regional changes to cortical thickness in individuals with neurodegenerative and cerebrovascular diseases can be estimated using specialised neuroimaging software. However, the presence of cerebral small vessel disease, focal atrophy, and cortico-subcortical stroke lesions, pose significant challenges that increase the likelihood of misclassification errors and segmentation failures. Purpose The main goal of this study was to examine a correction procedure developed for enhancing FreeSurfer’s cortical thickness estimation tool, particularly when applied to the most challenging MRI obtained from participants with chronic stroke and cerebrovascular disease, with varying degrees of neurovascular lesions and brain atrophy. Methods In 155 cerebrovascular disease patients enrolled in the Ontario Neurodegenerative Disease Research Initiative (ONDRI), FreeSurfer outputs were compared between a fully automated, unmodified procedure and a corrected procedure that accounted for potential sources of error due to atrophy and neurovascular lesions. Quality control (QC) measures were obtained from both procedures. Association between cortical thickness and global cognitive status as assessed by the Montreal Cognitive Assessment (MoCA) score was also investigated from both procedures. Results Corrected procedures increased ‘Acceptable’ QC ratings from 18% to 76% for the cortical ribbon and from 38% to 92% for tissue segmentation. Corrected procedures reduced ‘Fail’ ratings from 11% to 0% for the cortical ribbon and 62% to 8% for tissue segmentation. FreeSurfer-based segmentation of T1-weighted white matter hypointensities were significantly greater in the corrected procedure (5.8mL vs. 15.9mL, p<0.001). The unmodified procedure yielded no significant associations with global cognitive status, whereas the corrected procedure yielded positive associations between MoCA total score and clusters of cortical thickness in the left superior parietal (p=0.018) and left insula (p=0.04) regions. Further analyses with the corrected cortical thickness results and MoCA subscores showed a positive association between left superior parietal cortical thickness and Attention (p<0.001). Conclusions These findings suggest that correction procedures that account for brain atrophy and neurovascular lesions can significantly improve FreeSurfer’s segmentation results, reduce failure rates, and potentially increase sensitivity to examine brain-behaviour relationships. Future work will examine relationships between cortical thickness, cerebral small vessel disease, and neurodegenerative disease in the ONDRI study.

Abstract Objective Neuroimaging studies have demonstrated aberrant structure and function of the “cognitive-affective cerebellum” in Major Depressive Disorder (MDD), although the specific role of the cerebello-cerebral circuitry in this population remains largely uninvestigated. The objective of this study was to delineate the role of cerebellar functional networks in depression. Methods A total of 308 unmedicated participants completed resting-state functional magnetic resonance imaging scans, of which 247 (148 MDD; 99 Healthy Controls, HC) were suitable for this study. Seed-based resting-state functional connectivity (RsFc) analysis was performed using three cerebellar regions of interest (ROIs): ROI 1 corresponded to default mode network (DMN) / inattentive processing; ROI 2 corresponded to attentional networks including frontoparietal, dorsal attention, and ventral attention; ROI 3 corresponded to motor processing. These ROIs were delineated based on prior functional gradient analyses of the cerebellum. A general linear model was used to perform within-group and between-group comparisons. Results In comparison to HC, participants with MDD displayed increased RsFc within the cerebello-cerebral DMN (ROI 1 ) and significantly elevated RsFc between the cerebellar ROI 1 and bilateral angular gyrus at a voxel threshold ( p < 0.001, two-tailed) and at a cluster level ( p < 0.05, FDR-corrected). Group differences were non-significant for ROI 2 and ROI 3 . Conclusions These results contribute to the development of a systems neuroscience approach to the diagnosis and treatment of MDD. Specifically, our findings confirm previously reported associations between MDD, DMN, and cerebellum, and highlight the promising role of these functional and anatomical locations for the development of novel imaging-based biomarkers and targets for neuromodulation therapies.

Abstract Introduction: Change in empathy is an increasingly recognised symptom of neurodegenerative diseases and contributes to caregiver burden and patient distress. Empathy impairment has been associated with brain atrophy but its relationship to white matter hyperintensities (WMH) is unknown. We aimed to investigate the relationships amongst WMH, brain atrophy, and empathy deficits in neurodegenerative and cerebrovascular diseases. Methods: 513 participants with Alzheimer’s Disease/Mild Cognitive Impairment, Amyotrophic Lateral Sclerosis, Frontotemporal Dementia (FTD), Parkinson’s Disease, or Cerebrovascular Disease (CVD) were included. Empathy was assessed using the Interpersonal Reactivity Index. WMH were measured using a semi-automatic segmentation and FreeSurfer was used to measure cortical thickness. Results: A heterogeneous pattern of cortical thinning was found between groups, with FTD showing thinning in frontotemporal regions and CVD in left superior parietal, left insula, and left postcentral. Results from both univariate and multivariate analyses revealed that several variables were associated with empathy, particularly cortical thickness in the fronto-insulo-temporal and cingulate regions, sex(female), global cognition, and right parietal and occipital WMH. Conclusions: Our results suggest that cortical atrophy and WMH may be associated with empathy deficits in neurodegenerative and cerebrovascular diseases. Future work should consider investigating the longitudinal effects of WMH and atrophy on empathy deficits in neurodegenerative and cerebrovascular diseases.