Abstract The auditory system comprises multiple subcortical brain structures that process and refine incoming acoustic signals along the primary auditory pathway. Due to technical limitations of imaging small structures deep inside the brain, most of our knowledge of the subcortical auditory system is based on research in animal models using invasive methodologies. Advances in ultrahigh-field functional magnetic resonance imaging (fMRI) acquisition have enabled novel noninvasive investigations of the human auditory subcortex, including fundamental features of auditory representation such as tonotopy and periodotopy. However, functional connectivity across subcortical networks is still underexplored in humans, with ongoing development of related methods. Traditionally, functional connectivity is estimated from fMRI data with full correlation matrices. However, partial correlations reveal the relationship between two regions after removing the effects of all other regions, reflecting more direct connectivity. Partial correlation analysis is particularly promising in the ascending auditory system, where sensory information is passed in an obligatory manner, from nucleus to nucleus up the primary auditory pathway, providing redundant but also increasingly abstract representations of auditory stimuli. While most existing methods for learning conditional dependency structures based on partial correlations assume independently and identically Gaussian distributed data, fMRI data exhibit significant deviations from Gaussianity as well as high-temporal autocorrelation. In this paper, we developed an autoregressive matrix-Gaussian copula graphical model (ARMGCGM) approach to estimate the partial correlations and thereby infer the functional connectivity patterns within the auditory system while appropriately accounting for autocorrelations between successive fMRI scans. Our results show strong positive partial correlations between successive structures in the primary auditory pathway on each side (left and right), including between auditory midbrain and thalamus, and between primary and associative auditory cortex. These results are highly stable when splitting the data in halves according to the acquisition schemes and computing partial correlations separately for each half of the data, as well as across cross-validation folds. In contrast, full correlation-based analysis identified a rich network of interconnectivity that was not specific to adjacent nodes along the pathway. Overall, our results demonstrate that unique functional connectivity patterns along the auditory pathway are recoverable using novel connectivity approaches and that our connectivity methods are reliable across multiple acquisitions.

Abstract Auditory learning depends on sensory, perceptual, decisional, and reward-based processes that are supported by the dorsal striatum. Auditory corticostriatal connections have been well-characterized in animal models including non-human primates, where primary auditory cortex preferentially connects to putamen, and caudate head receives most of its inputs from anterior superior temporal cortex. However, the extent to which human auditory corticostriatal connectivity follows similar organizational principles is challenging to assess due to the density of these striatal structures relative to the resolution of traditional diffusion MRI techniques, as well as dorsal striatum’s location near multiple major crossing white matter bundles. We leveraged high-quality diffusion-weighted MRI tractography to ‘virtually’ dissect structural pathways between auditory cortical regions and dorsal striatal regions in a sub-millimeter resolution single-participant dataset. Across most of auditory cortex, putamen connections were more frequent than caudate connections; only anterior-most superior temporal cortex had strong connectivity with caudate, specifically the caudate head. Putamen streamline endpoints were largely along the ventral portion of the structure, ranging from caudal to middle putamen. These results were consistent across analysis and tractography pipelines. In contrast to the auditory findings, visual corticostriatal streamlines did not preferentially reach putamen. We replicate these results in an independent sample of near-millimeter resolution single-session diffusion MRI from the Human Connectome Project. Overall, our results suggest strong structural connectivity between primary and association auditory cortices with putamen but not with any subdivision of caudate. Prioritized connectivity between superior temporal cortex and putamen is highly suggestive of distinct functional roles for striatal subdivisions in auditory perception.

Studying the human subcortical auditory system non-invasively is challenging due to its small, densely packed structures deep within the brain. Additionally, the elaborate three-dimensional (3-D) structure of the system can be difficult to understand based on currently available 2-D schematics and animal models. We addressed these issues using a combination of histological data, post mortem magnetic resonance imaging (MRI), and in vivo MRI at 7 Tesla. We created anatomical atlases based on state-of-the-art human histology (BigBrain) and post mortem MRI (50 μm). We measured functional MRI (fMRI) responses to natural sounds and demonstrate that the functional localization of subcortical structures is reliable within individual participants who were scanned in two different experiments. Further, a group functional atlas derived from the functional data locates these structures with a median distance below 2mm. Using diffusion MRI tractography, we revealed structural connectivity maps of the human subcortical auditory pathway both in vivo (1050 μm isotropic resolution) and post mortem (200 μm isotropic resolution). This work captures current MRI capabilities for investigating the human subcortical auditory system, describes challenges that remain, and contributes novel, openly available data, atlases, and tools for researching the human auditory system.* Anatomical abbreviations : AVCN : Anteroventral cochlear nucleus. CN : Cochlear nucleus. CNVIII : 8th nerve, vestibulocochlear nerve. DCN : Dorsal cochclear nucleus. IC : Inferior colliculus. LGN : Lateral geniculate nucleus. LSO : Lateral superior olive. MGB/MGN : Medial geniculate body/nucleus. MNTB : Medial nucleus of the trapezoid body. MSO : Medial superior olive. PVCN : Posteroventral cochlear nucleus. SOC : Superior olivary complex.* 7T : 7 Tesla. dMRI : diffusion magnetic resonance imaging. FOV : Field of view. fMRI : functional magnetic resonance imaging. GRAPPA : Generalized auto-calibrating partially parallel acquisitions. MB : Multi-band. MPRAGE : Magnetization prepared rapid acquisition gradient echo. MRI : Magnetic resonance imaging. PDw : Proton density weighted. SI-T1w : Short inversion time T1-weighted. T1w : T1-weighted. T2*w : T2*-weighted. TE : Echo time. TR : Repetition time.* CSD : Constrained spherical deconvolution. FA : Fractional anisotropy. FDR : False discovery rate. FOD : Fiber orientation distribution. GLM : General linear model. HCP : Human connectome project. HRF : Hemodynamic response function. ICBM : Internation Consortium for Brain Mapping. M0 : T2 signal with no diffusion weighting. MD : Mean diffusivity. MNI : Montreal Neurological Institude. MSMT : Multi-shell multi-tissue. ODFs : Orientation distribution functions. ROI : Region of interest.

ABSTRACT Dorsal human midbrain contains two nuclei with clear laminar organization, the superior and inferior colliculi. These nuclei extend in depth between the superficial dorsal surface of midbrain and a deep midbrain nucleus, the periaqueductal gray matter (PAG). The PAG, in turn, surrounds the cerebral aqueduct (CA). This study examined the use of two depth metrics to characterize depth and thickness relationships within dorsal midbrain using the superficial surface of midbrain and CA as references. The first utilized nearest-neighbor Euclidean distance from one reference surface, while the second used a level-set approach that combines signed distance from both reference surfaces. Both depth methods provided similar functional depth profiles generated by saccadic eye movements in a functional MRI task, confirming their efficacy for superficial functional activity. Next, the boundaries of the PAG were estimated using Euclidean distance together with elliptical fitting, indicating that the PAG can be readily characterized by a smooth surface surrounding PAG. Finally, we used the level-set approach to measure tissue depth between the superficial surface and the PAG, thus characterizing the variable thickness of the colliculi. Overall, this study demonstrates depth-mapping schemes for human midbrain that enables accurate segmentation of the PAG and consistent depth and thickness estimates of the superior and inferior colliculi.

Abstract/Summary The auditory system comprises multiple subcortical brain structures that process and refine incoming acoustic signals along the primary auditory pathway. Due to technical limitations of imaging small structures deep inside the brain, most of our knowledge of the subcortical auditory system is based on research in animal models using invasive methodologies. Advances in ultra-high field functional magnetic resonance imaging (fMRI) acquisition have enabled novel non-invasive investigations of the human auditory subcortex, including fundamental features of auditory representation such as tonotopy and periodotopy. However, functional connectivity across subcortical networks is still underexplored in humans, with ongoing development of related methods. Traditionally, functional connectivity is estimated from fMRI data with full correlation matrices. However, partial correlations reveal the relationship between two regions after removing the effects of all other regions, reflecting more direct connectivity. Partial correlation analysis is particularly promising in the ascending auditory system, where sensory information is passed in an obligatory manner, from nucleus to nucleus up the primary auditory pathway, providing redundant but also increasingly abstract representations of auditory stimuli. While most existing methods for learning conditional dependency structures based on partial correlations assume independently and identically Gaussian distributed data, fMRI data exhibit significant deviations from Gaussianity as well as high temporal autocorrelation. In this paper, we developed an autoregressive matrix-Gaussian copula graphical model (ARMGCGM) approach to estimate the partial correlations and thereby infer the functional connectivity patterns within the auditory system while appropriately accounting for autocorrelations between successive fMRI scans. Our results show strong positive partial correlations between successive structures in the primary auditory pathway on each side (left and right), including between auditory midbrain and thalamus, and between primary and associative auditory cortex. These results are highly stable when splitting the data in halves according to the acquisition schemes and computing partial correlations separately for each half of the data, as well as across cross-validation folds. In contrast, full correlation-based analysis identified a rich network of interconnectivity that was not specific to adjacent nodes along the pathway. Overall, our results demonstrate that unique functional connectivity patterns along the auditory pathway are recoverable using novel connectivity approaches and that our connectivity methods are reliable across multiple acquisitions.