A comprehensive map of the structural connectome in the human brain has been a coveted resource for understanding macroscopic brain networks. Here we report an expert-vetted, population-averaged atlas of the structural connectome derived from diffusion MRI data (N = 842). This was achieved by creating a high-resolution template of diffusion patterns averaged across individual subjects and using tractography to generate 550,000 trajectories of representative white matter fascicles annotated by 80 anatomical labels. The trajectories were subsequently clustered and labeled by a team of experienced neuroanatomists in order to conform to prior neuroanatomical knowledge. A multi-level network topology was then described using whole-brain connectograms, with subdivisions of the association pathways showing small-worldness in intra-hemisphere connections, projection pathways showing hub structures at thalamus, putamen, and brainstem, and commissural pathways showing bridges connecting cerebral hemispheres to provide global efficiency. This atlas of the structural connectome provides representative organization of human brain white matter, complementary to traditional histologically-derived and voxel-based white matter atlases, allowing for better modeling and simulation of brain connectivity for future connectome studies.

Abstract A comprehensive map of the structural connectome in the human brain has been a coveted resource for understanding macroscopic brain networks. Here we report an expert-vetted, population-averaged atlas of the structural connectome derived from diffusion MRI data (N=842). This was achieved by creating a high-resolution template of diffusion patterns averaged across individual subjects and using tractography to generate 550,000 trajectories of representative white matter fascicles annotated by 80 anatomical labels. The trajectories were subsequently clustered and labeled by a team of experienced neuroanatomists in order to conform to prior neuroanatomical knowledge. A multi-level network topology was then described using whole-brain connectograms, with subdivisions of the association pathways showing small-worldness in intra-hemisphere connections, projection pathways showing hub structures at thalamus, putamen, and brainstem, and commissural pathways showing bridges connecting cerebral hemispheres to provide global efficiency. This atlas of the structural connectome provides representative organization of human brain white matter, complementary to traditional histologically-derived and voxel-based white matter atlases, allowing for better modeling and simulation of brain connectivity for future connectome studies.

Abstract We previously proposed a bipartite ‘dorsal-ventral’ model of human arcuate fasciculus (AF) morphology. This model does not, however, account for the ‘vertical,’ temporoparietal subdivision of the AF described in earlier dissection and tractographic studies. In an effort to address the absence of the vertical AF (VAF) within the ‘dorsal-ventral’ model, we conducted a dedicated tractographic and white-matter dissection study of this tract and another short, vertical, posterior-hemispheric fascicle: the vertical occipital fasciculus (VOF). We conducted atlas-based, non-tensor, deterministic tractography in 30 single subjects from the Human Connectome Project database and verified our results using an average diffusion atlas comprising 842 separate normal subjects. We also performed white-matter dissection in 4 cadaveric hemispheres. Our tractographic results demonstrate that the VAF is in fact a bipartite system connecting the ventral-parietal and ventral-temporal regions, with variable connective and no volumetric lateralization. The VOF is a nonlateralized, non-segmented system connecting lateral occipital areas with basal-temporal regions. Importantly, the VOF was distinctly dissociated from the VAF. As the VAF demonstrates no overall connective or volumetric lateralization, we postulate its distinction from the AF system and propose its renaming to the ‘parietal aslant tract,’ (PAT) with unique dorsal and ventral subdivisions. Our tractography results were supported by diffusion atlas and white matter dissection findings.

Investigative studies of white matter (WM) brain structures using diffusion MRI (dMRI) tractography frequently require manual WM bundle segmentation, often called "virtual dissection". Human errors and personal decisions make these manual segmentations hard to reproduce, which have not yet been quantified by the dMRI community. The contribution of this study is to provide the first large-scale, international, multi-center variability assessment of the "virtual dissection of the pyramidal tract (PyT). Eleven (11) experts and thirteen (13) non-experts in neuroanatomy and "virtual dissection" were asked to perform 30 PyT segmentation and their results were compared using various voxel-wise and streamline-wise measures. Overall the voxel representation is always more reproducible than streamlines ($\approx$70\% and $ \approx$35\% overlap respectively) and distances between segmentations are also lower for voxel-wise than streamline-wise measures ($\approx$3mm~and~$\approx$6mm respectively). This needs to be seriously considered before using tract-based measures (e.g. bundle volume versus streamline count) for an analysis. We show and argue that future bundle segmentation protocols need to be designed to be more robust to human subjectivity. Coordinated efforts by the diffusion MRI tractography community are needed to quantify and account for reproducibility of WM bundle extraction techniques in this era of open and collaborative science.

Abstract Objectives 3D scanning and stereolithographic printing technology becoming increasingly common, however its implementation into clinical practice is in its primacy. These technologies may be esoteric to the practicing neurosurgeon. We explored a range of 3D scanning and stereolithographic techniques to create patient-specific synthetic implants. Methods We simulated bilateral craniectomies from a single cadaveric specimen to create 3 methods of creating stereolithographically-viable virtual models. Firstly, we used ‘pre-and-post operative’ CT derived bony windows to create a virtual skull model, from which the flap was extracted. Secondly, we used an entry-level 3D light-scanner to scan and render models of the individual bone pieces. Thirdly, we used an arm-mounted, 3D laser-scanner to create virtual models using a real-time approach. Results Flaps were printed from the CT scanner and laser scanner models only, in a UV-cured polymer. The light scanner did not produce suitable virtual models for printing. The CT scanner derived models required extensive post-fabrication modification to fit the existing defects. The laser-scanner models assumed good fit within the defects without any modification. Conclusions The methods presented varying levels of complexity in acquisition and model rendering. Each technique required hardware at varying in price points from $0 to ∼$100,000. The laser-scanner models produced the best quality parts which bore near-perfect fit with the original defects. We discuss potential neurosurgical applications of this technology.

The human inferior longitudinal fasciculus (ILF) is a ventral, temporo-occipital association tract. Though described in early neuroanatomical works, its existence was later questioned. Application of in vivo tractography to the neuroanatomical study of the ILF has generally confirmed its existence, however consensus is lacking regarding its subdivision, laterality and connectivity. Further, there is a paucity of detailed neuroanatomic data pertaining to the exact anatomy of the ILF. Generalized Q-Sampling imaging (GQI) is a non-tensor tractographic modality permitting high resolution imaging of white-matter structures. As it is a non-tensor modality, it permits visualization of crossing fibers and accurate delineation of close-proximity fiber-systems. We applied deterministic GQI tractography to data from 30 healthy subjects and a large-volume diffusion atlas, to delineate ILF anatomy. Post-mortem white matter dissection was also carried out in a cadaveric specimen for further validation. The ILF was found in all 60 hemispheres. At its occipital extremity, it demonstrated a trifurcated termination pattern which was used to separate the ILF into 3 distinct sub-fascicles: Dorsolateral, ventrolateral and ventromedial. These divisions were consistent across the subject set and within the atlas. We applied quantitative techniques to study connectivity strength of the ILF at its anterior and posterior extremities. Overall, the 3 sub-fascicles, and the whole ILF, demonstrated strong leftward-lateralized connectivity patterns. Leftward-lateralization was also found for ILF volumes across the subject set. Due to connective and volumetric leftward-dominance and ventral location, we postulate the ILFs role in the semantic system. Further, our results are in agreement with functional and lesion-based postulations pertaining to the ILFs role in facial recognition.

Background Machine learning (ML) is the application of specialized algorithms to datasets for trend delineation, categorization or prediction. ML techniques have been traditionally applied to large, highly-dimensional databases. Gliomas are a heterogeneous group of primary brain tumors, traditionally graded using histopathological features. Recently the World Health Organization proposed a novel grading system for gliomas incorporating molecular characteristics. We aimed to study whether ML could achieve accurate prognostication of 2-year mortality in a small, highly-dimensional database of glioma patients. Methods We applied three machine learning techniques: artificial neural networks (ANN), decision trees (DT), support vector machine (SVM), and classical logistic regression (LR) to a dataset consisting of 76 glioma patients of all grades. We compared the effect of applying the algorithms to the raw database, versus a database where only statistically significant features were included into the algorithmic inputs (feature selection). Results Raw input consisted of 21 variables, and achieved performance of (accuracy/AUC): 70.7%/0.70 for ANN, 68%/0.72 for SVM, 66.7%/0.64 for LR and 65%/0.70 for DT. Feature selected input consisted of 14 variables and achieved performance of 73.4%/0.75 for ANN, 73.3%/0.74 for SVM, 69.3%/0.73 for LR and 65.2%/0.63 for DT. Conclusions We demonstrate that these techniques can also be applied to small, yet highly-dimensional datasets. Our ML techniques achieved reasonable performance compared to similar studies in the literature. Though local databases may be small versus larger cancer repositories, we demonstrate that ML techniques can still be applied to their analysis, though traditional statistical methods are of similar benefit.

Diffusion MRI fiber tracking provides a non-invasive method for mapping the trajectories of human brain connections, but its false connection problem has been a major challenge. This study introduces topology-informed pruning (TIP), a method that improves the tractography of a target fiber bundle using its own topology information. TIP identifies singular tracts and eliminates them to improve the tracking accuracy. This method was applied to a tractography study with diffusion MRI data collected using two different diffusion sampling schemes (single-shell and grid). The accuracy of the tractography was evaluated by a team of 6 neuroanatomists in a blinded setting to examine whether TIP could improve the accuracy of tractography. The results showed that TIP achieved an average accuracy improvement of 11.93% in the single-shell scheme and 3.47% in the grid scheme. The improvement is significantly different from a random pruning (p-value < 0.001). The diagnostic agreement between TIP and neuroanatomists was comparable to the agreement between neuroanatomists. The proposed TIP algorithm can be used to automatically clean up noisy fibers in deterministic tractography, with a potential to confirm the existence of a fiber connection in basic neuroanatomical studies or clinical neurosurgical planning.