While reducing the burden of brain disorders remains a top priority of organizations like the World Health Organization and National Institutes of Health (BRAIN, 2013), the development of novel, safe and effective treatments for brain disorders has been slow. In this paper, we describe the state of the science for an emerging technology, real time functional magnetic resonance imaging (rtfMRI) neurofeedback, in clinical neurotherapeutics. We review the scientific potential of rtfMRI and outline research strategies to optimize the development and application of rtfMRI neurofeedback as a next generation therapeutic tool. We propose that rtfMRI can be used to address a broad range of clinical problems by improving our understanding of brain-behavior relationships in order to develop more specific and effective interventions for individuals with brain disorders. We focus on the use of rtfMRI neurofeedback as a clinical neurotherapeutic tool to drive plasticity in brain function, cognition, and behavior. Our overall goal is for rtfMRI to advance personalized assessment and intervention approaches to enhance resilience and reduce morbidity by correcting maladaptive patterns of brain function in those with brain disorders.

Abstract Understanding cellular architectures and their connectivity is essential for interrogating system function and dysfunction. However, we lack technologies for mapping the multi-scale details of individual cells in the human organ-scale system. To address this challenge, we developed a platform that simultaneously extracts spatial, molecular, morphological, and connectivity information of individual cells from the same human brain, by integrating novel chemical, mechanical, and computational tools. The platform includes three key tools: (i) a vibrating microtome for ultra-precision slicing of large-scale tissues without losing cellular connectivity (MEGAtome), (ii) a polymer hydrogel-based tissue processing technology for multiplexed multiscale imaging of human organ-scale tissues (mELAST), and (iii) a computational pipeline for reconstructing 3D connectivity across multiple brain slabs (UNSLICE). We demonstrated the transformative potential of our platform by analyzing human Alzheimer’s disease pathology at multiple scales and demonstrating scalable neural connectivity mapping in the human brain. One-Sentence Summary We developed an integrated, scalable platform for highly multiplexed, multi-scale phenotyping and connectivity mapping in the same human brain tissue, which incorporated novel tissue processing, labeling, imaging, and computational technologies.

ABSTRACT A central principle in our understanding of cerebral cortical organization is that homotopic left and right areas are functionally linked to each other, and also connected with structures that share similar functions within each cerebral cortical hemisphere. Here we refer to this concept as interhemispheric functional symmetry (IHFS). While multiple studies have described the distribution and variations of IHFS in the cerebral cortex, descriptions of IHFS in the subcortex are largely absent in the neuroscientific literature. Further, the proposed anatomical basis of IHFS is centered on callosal and other commissural tracts. These commissural fibers are present in virtually all cerebral cortical areas, but almost absent in the subcortex. There is thus an important knowledge gap in our understanding of subcortical IHFS. What is the distribution and variations of subcortical IHFS, and what are the anatomical correlates and physiological implications of this important property in the subcortex? Using fMRI functional gradient analyses in a large dataset (Human Connectome Project, n=1003), here we explored IHFS in human thalamus, lenticular nucleus, cerebellar cortex, and caudate nucleus. Our detailed descriptions provide an empirical foundation upon which to build hypotheses for the anatomical and physiological basis of subcortical IHFS. Our results indicate that direct or driver cerebral cortical afferent connectivity, as opposed to indirect or modulatory cerebral cortical afferent connectivity, is associated with stronger subcortical IHFS in thalamus and lenticular nucleus. In cerebellar cortex and caudate, where there is no variability in terms of either direct vs. indirect or driver vs. modulatory cerebral cortical afferent connections, connectivity to cerebral cortical areas with stronger cerebral cortical IHFS is associated with stronger IHFS in the subcortex. These two observations support a close relationship between subcortical IHFS and connectivity between subcortex and cortex, and generate new testable hypotheses that advance our understanding of subcortical organization.

Mindboggle (http://mindboggle.info) is an open source brain morphometry platform that takes in preprocessed T1-weighted MRI data and outputs volume, surface, and tabular data containing label, feature, and shape information for further analysis. In this article, we document the software and demonstrate its use in studies of shape variation in healthy and diseased humans. The number of different shape measures and the size of the populations make this the largest and most detailed shape analysis of human brains every conducted. Brain image morphometry shows great potential for providing much-needed biological markers for diagnosing, tracking, and predicting progression of mental health disorders. Very few software algorithms provide more than measures of volume and cortical thickness, and more subtle shape measures may provide more sensitive and specific biomarkers. Mindboggle computes a variety of (primarily surface-based) shapes: area, volume, thickness, curvature, depth, Laplace-Beltrami spectra, Zernike moments, etc. We evaluate Mindboggle's algorithms using the largest set of manually labeled, publicly available brain images in the world and compare them against state-of-the-art algorithms where they exist. All data, code, and results of these evaluations are publicly available.

Background: Although typically measured during the resting state, a growing literature is illustrating the ability to map intrinsic connectivity in task and naturalistic viewing fMRI paradigms. These paradigms are drawing excitement due to their greater tolerability in clinical and developing populations and because they enable a wider range of analyses (e.g. inter-subject correlations). To be clinically useful, the test-retest reliability of connectivity measured during these paradigms needs to be established. This resource provides data for evaluating test-retest reliability for full-brain connectivity patterns detected during each of four scan conditions that differ with respect to level of engagement (rest, abstract animations, movie clips, flanker task). Data is provided for thirteen participants, each scanned in twelve sessions with 10 minutes for each scan of the four conditions. Diffusion kurtosis imaging data was also obtained at each session. Findings: Technical validation and demonstrative reliability analyses found that variation in intrinsic functional connectivity across sessions was greater than that attributable to scan condition. Between-condition reliability was generally high, particularly for the frontoparietal and default networks. Between-session reliabilities obtained separately for the different scan conditions were comparable, though notably lower than between-condition reliabilities. Conclusions: The described resource provides a test-bed for quantifying the reliability of connectivity indices across conditions and time. The resource can be used to compare and optimize different frameworks for measuring connectivity and data collection parameters such as scan length. Additionally, investigators can explore the unique perspectives of the brain's functional architecture offered by each of the scan conditions.

Here we present NeuroVault - a web based repository that allows researchers to store, share, visualize, and decode statistical maps of the human brain. NeuroVault is easy to use and employs modern web technologies to provide informative visualization of data without the need to install additional software. In addition, it leverages the power of the Neurosynth database to provide cognitive decoding of deposited maps. The data are exposed through a public REST API enabling other services and tools to take advantage of it. NeuroVault is a new resource for researchers interested in conducting meta- and coactivation analyses.

Neuroimaging research faces a crisis of reproducibility. With massive sample sizes and greater data complexity, this problem becomes more acute. Software that operates on imaging data defined using the Brain Imaging Data Structure (BIDS) - BIDS Apps - have provided a substantial advance. However, even using BIDS Apps, a full audit trail of data processing is a necessary prerequisite for fully reproducible research. Obtaining a faithful record of the audit trail is challenging - especially for large datasets. Recently, the FAIRly big framework was introduced as a way to facilitate reproducible processing of large-scale data by leveraging DataLad - a version control system for data management. However, the current implementation of this framework was more of a proof of concept, and could not be immediately reused by other investigators for different use cases. Here we introduce the BIDS App Bootstrap (BABS), a user-friendly and generalizable Python package for reproducible image processing at scale. BABS facilitates the reproducible application of BIDS Apps to large-scale datasets. Leveraging DataLad and the FAIRly big framework, BABS tracks the full audit trail of data processing in a scalable way by automatically preparing all scripts necessary for data processing and version tracking on high performance computing (HPC) systems. Currently, BABS supports jobs submissions and audits on Sun Grid Engine (SGE) and Slurm HPCs with a parsimonious set of programs. To demonstrate its scalability, we applied BABS to data from the Healthy Brain Network (HBN; n=2,565). Taken together, BABS allows reproducible and scalable image processing and is broadly extensible via an open-source development model.

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.

Gradient-based approaches to brain function have recently unmasked fundamental properties of brain organization. Diffusion map embedding analysis of resting-state fMRI data revealed a primary-to-transmodal axis of cerebral cortical macroscale functional organization. The same method was recently used to analyze resting-state data within the cerebellum, revealing for the first time a sensorimotor-fugal macroscale organization principle of cerebellar function. Cerebellar gradient 1 extended from motor to non-motor task-unfocused (default-mode network) areas, and cerebellar gradient 2 isolated task-focused processing regions. Here we present a freely available and easily accessible tool that applies this new knowledge to the topographical interpretation of cerebellar neuroimaging findings. LittleBrain generates scatterplots that illustrate the relationship between cerebellar data (e.g., volumetric patient study clusters, task activation maps, etc.) and cerebellar gradients 1 and 2. This novel method of data mapping provides alternative, gradual visualizations that complement discrete parcellation maps of cerebellar functional neuroanatomy. We present application examples to show that LittleBrain can also capture subtle, progressive aspects of cerebellar functional neuroanatomy that would be difficult to visualize using conventional mapping techniques. Download and use instructions can be found at https://xaviergp.github.io/littlebrain.

The development of magnetic resonance imaging (MRI) techniques has defined modern neuroimaging. Since its inception, tens of thousands of studies using techniques such as functional MRI and diffusion weighted imaging have allowed for the non-invasive study of the brain. Despite the fact that MRI is routinely used to obtain data for neuroscience research, there has been no widely adopted standard for organizing and describing the data collected in an imaging experiment. This renders sharing and reusing data (within or between labs) difficult if not impossible and unnecessarily complicates the application of automatic pipelines and quality assurance protocols. To solve this problem, we have developed the Brain Imaging Data Structure (BIDS), a standard for organizing and describing MRI datasets. The BIDS standard uses file formats compatible with existing software, unifies the majority of practices already common in the field, and captures the metadata necessary for most common data processing operations.