Abstract White matter hyperintensities (WMH) of presumed vascular origin are frequently found in MRIs of healthy older adults. WMH are also associated with aging and cognitive decline. Here, we compared and validated three freely available algorithms for WMH extraction: FreeSurfer, UBO Detector, and BIANCA (Brain Intensity AbNormality Classification Algorithm) using a longitudinal dataset comprising MRI data of cognitively healthy older adults (baseline N = 231, age range 64–87 years). As reference we manually segmented WMH in T1w, 3D FLAIR, 2D FLAIR images. These manual segmentations were then used to assess the segmentation accuracy of the different automated algorithms. Further, we assessed the relationships of WMH volume estimates provided by the algorithms with Fazekas scores and age. FreeSurfer underestimated the WMH volumes and scored worst in Dice Similarity Coefficient (DSC = 0.434) but its WMH volumes strongly correlated with the Fazekas scores ( r s = 0.73). BIANCA accomplished the highest DCS (0.602) with 3D FLAIR images. However, the relations with the Fazekas scores were only moderate, especially in the 2D FLAIR images ( r s = 0.41), and many outlier WMH volumes were detected when exploring within-person trajectories (2D FLAIR: ~30%). UBO Detector performed similarly to BIANCA in DSC with both modalities and reached the best DSC in 2D FLAIR (0.531) without requiring a tailored training dataset. In addition, it achieved very high associations with the Fazekas scores (2D FLAIR: r s = 0.80). In summary, our results emphasize the importance of carefully contemplating the choice of the WMH segmentation algorithm and MR-modality.

Cognitive decline occurs in healthy and pathological aging, and both may be preceded by subtle changes in the brain — offering a basis for cognitive predictions. Previous work has largely focused on predicting a diagnostic label from structural brain imaging. Our study broadens the scope of applications to cognitive decline in healthy aging by predicting future decline as a continuous trajectory, rather than a diagnostic label. Furthermore, since brain structure as well as function changes in aging, it is reasonable to expect predictive gains when using multiple brain imaging modalities. Here, we tested whether baseline multimodal neuroimaging data improve the prediction of future cognitive decline in healthy and pathological aging. Non-brain data (including demographics and clinical and neuropsychological scores) were combined with structural and functional connectivity MRI data from the OASIS-3 project (N = 662; age = 46 – 96y). The combined input data was entered into cross-validated multi-target random forest models to predict future cognitive decline (measured by the Clinical Dementia Rating and the Mini-Mental State Examination), on average 5.8y into the future. The analysis was preregistered and all analysis code is publicly available. We found that combining non-brain with structural data improved the continuous prediction of future cognitive decline (best test-set performance: R 2 = 0.42) and that cognitive performance, daily functioning, and subcortical volume drove the performance of our model. In contrast, including functional connectivity did not improve predictive accuracy. In the future, the prognosis of age-related cognitive decline may enable earlier and more effective cognitive, pharmacological, and behavioral interventions to be tailored to the individual.

The disparity between the chronological age of an individual and their brain-age measured based on biological information has the potential to offer clinically-relevant biomarkers of neurological syndromes that emerge late in the lifespan. While prior brain-age prediction studies have relied exclusively on either structural or functional brain data, here we investigate how multimodal brain-imaging data improves age prediction. Using cortical anatomy and whole-brain functional connectivity on a large adult lifespan sample (N = 2354, age 19-82), we found that multimodal data improves brain-based age prediction, resulting in a mean absolute prediction error of 4.29 years. Furthermore, we found that the discrepancy between predicted age and chronological age captures cognitive impairment. Importantly, the brain-age measure was robust to confounding effects: head motion did not drive brain-based age prediction and our models generalized reasonably to an independent dataset acquired at a different site (N = 475). Generalization performance was increased by training models on a larger and more heterogeneous dataset. The robustness of multimodal brain-age prediction to confounds, generalizability across sites, and sensitivity to clinically-relevant impairments, suggests promising future application to the early prediction of neurocognitive disorders.

Much of our behaviour is driven by two motivational dimensions – approach and avoidance. These have been related to frontal hemispheric asymmetries in clinical and resting-state EEG studies: approach was linked to higher activity of the left relative to the right hemisphere, while avoidance was related to the opposite pattern. Increased approach behaviour, specifically towards unhealthy foods, is also observed in obesity and has been linked to asymmetry in the framework of the right-brain hypothesis of obesity. Here, we aimed to replicate previous EEG findings of hemispheric asymmetries for self-reported approach/avoidance behaviour and to relate them to eating behaviour. Further, we assessed whether resting fMRI hemispheric asymmetries can be detected and whether they are related to approach/avoidance, eating behaviour, and BMI. We analysed 3 samples: Sample 1 (n=117) containing EEG and fMRI data from lean participants, and Samples 2 (n=89) and 3 (n=152) containing fMRI data from lean, overweight, and obese participants. While in Sample 1 approach in women was related to EEG and fMRI hemispheric asymmetries, in Samples 2 and 3 this effect was not significant. Here, hemispheric asymmetries were neither related to BMI nor eating behaviour. Our study partly replicates previous EEG findings regarding hemispheric asymmetries and indicates that this relationship could also be captured using fMRI. Our findings suggest that eating behaviour and obesity are likely to be mediated by mechanisms not directly relating to frontal asymmetries in neuronal activation quantified with EEG and fMRI.

Resting heart rate variability (HRV), an index of parasympathetic cardioregulation and an individual trait marker related to mental and physical health, decreases with age. Previous studies have associated resting HRV with structural and functional properties of the brain — mainly in cortical midline and limbic structures. We hypothesized that HRV may alter its relationship with brain structure and function across the adult lifespan. In 388 healthy subjects of three age groups (140 younger: 26.0±4.2 years, 119 middle-aged: 46.3±6.2 years, 129 older: 66.9±4.7 years), gray matter structure (voxel-based morphometry) and resting-state functional connectivity (eigenvector centrality mapping and exploratory seed-based functional connectivity) were related to resting HRV, measured as the root mean square of successive differences (RMSSD). Confirming previous findings, resting HRV decreased with age. For HRV-related gray matter volume, there were no statistically significant differences between the age groups, nor similarities across all age groups. In whole-brain functional connectivity analyses, we found an age-dependent association between resting HRV and eigenvector centrality in the bilateral ventromedial prefrontal cortex (vmPFC), driven by the younger adults. Across all age groups, HRV was positively correlated with network centrality in bilateral posterior cingulate cortex. Seed-based functional connectivity analysis using the vmPFC cluster revealed an HRV-related cortico-cerebellar network in younger but not in middle-aged or older adults. Our results indicate that the decrease of HRV with age is accompanied by changes in functional connectivity along the cortical midline. This extends our knowledge of brain-body interactions and their changes over the lifespan.

We organized 10Kin1day, a pop-up scientific event with the goal to bring together neuroimaging groups from around the world to jointly analyze 10,000+ existing MRI connectivity datasets during a 3-day workshop. In this report, we describe the motivation and principles of 10Kin1day, together with a public release of 8,000+ MRI connectome maps of the human brain.

Functional magnetic resonance imaging (fMRI) is a standard tool to investigate the neural correlates of cognition. fMRI noninvasively measures brain activity, allowing identification of patterns evoked by tasks performed during scanning. Despite the long history of this technique, the idiosyncrasies of each dataset have led to the use of ad-hoc preprocessing protocols customized for nearly every different study. This approach is time-consuming, error-prone, and unsuitable for combining datasets from many sources. Here we showcase fMRIPrep ( ), a robust tool to prepare human fMRI data for statistical analysis. This software instrument addresses the reproducibility concerns of the established protocols for fMRI preprocessing. By leveraging the Brain Imaging Data Structure (BIDS) to standardize both the input datasets —MRI data as stored by the scanner— and the outputs —data ready for modeling and analysis—, fMRIPrep is capable of preprocessing a diversity of datasets without manual intervention. In support of the growing popularity of fMRIPrep , this protocol describes how to integrate the tool in a task-based fMRI investigation workflow.

Electrophysiological methods, i.e., M/EEG provide unique views into brain health. Yet, when building predictive models from brain data, it is often unclear how electrophysiology should be combined with other neuroimaging methods. Information can be redundant, useful common representations of multimodal data may not be obvious and multimodal data collection can be medically contraindicated, which reduces applicability. Here, we propose a multimodal model to robustly combine MEG, MRI and fMRI for prediction. We focus on age prediction as surrogate biomarker in 674 subjects from the Cam-CAN. Strikingly, MEG, fMRI and MRI showed additive effects supporting distinct brain-behavior associations. Moreover, the contribution of MEG was best explained by source-topography of power spectra between 8 and 30 Hz. Finally, we demonstrate that the model maintains benefits of stacking when data is missing. The proposed framework hence enables multimodal learning for a wide range of biomarkers from diverse types of brain signals.

The rate of progress in human neurosciences is limited by the inability to easily apply a wide range of analysis methods to the plethora of different datasets acquired in labs around the world. In this work, we introduce a framework for creating, testing, versioning and archiving portable applications for analyzing neuroimaging data organized and described in compliance with the Brain Imaging Data Structure (BIDS). The portability of these applications (BIDS Apps) is achieved by using container technologies that encapsulate all binary and other dependencies in one convenient package. BIDS Apps run on all three major operating systems with no need for complex setup and configuration and thanks to the richness of the BIDS standard they require little manual user input. Previous containerized data processing solutions were limited to single user environments and not compatible with most multi-tenant High Performance Computing systems. BIDS Apps overcome this limitation by taking advantage of the Singularity container technology. As a proof of concept, this work is accompanied by 22 ready to use BIDS Apps, packaging a diverse set of commonly used neuroimaging algorithms.