SUMMARY The hippocampus is critically important for a diverse range of cognitive processes, such as episodic memory, prospective memory, affective processing, and spatial navigation. The human hippocampus has been thought of as being solely functionally connected to a set of neocortical regions known as the default mode network (DMN), which supports self-referential cognition. Using individual-specific precision functional mapping of resting state fMRI data, we found the anterior hippocampus (head and body) to be preferentially connected to the DMN as expected. The hippocampal tail, however, was strongly preferentially connected to the parietal memory network (PMN), which supports goal-oriented cognition and stimulus recognition. This resting state functional connectivity (RSFC) anterior-posterior dichotomy was well-matched by differences in task deactivations and anatomical segmentations of the hippocampus. Task deactivations were localized to the head and body of the hippocampus (DMN), relatively sparing the tail (PMN). Anterior and posterior hippocampal connectivity was network-specific even though the DMN and PMN are interdigitated in medial parietal cortex. The functional dichotomization of the hippocampus into anterior DMN-connected and posterior PMN-connected parcels suggests parallel, but distinct circuits between the hippocampus and medial parietal cortex for self vs. goal-oriented processing.

Abstract The striatum is interconnected with the cerebral cortex via multiple recurrent loops that play a major role in many neuropsychiatric conditions. Primate cortico-striatal connections can be precisely mapped using invasive tract-tracing. However, noninvasive human research has not mapped these connections with anatomical precision, limited by the practice of averaging neuroimaging data across individuals. Here we utilized highly-sampled resting-state functional connectivity MRI for individually-specific precision functional mapping of cortico-striatal connections. We identified ten discrete, individual-specific subnetworks linking cortex—predominately frontal cortex—to striatum. These subnetworks included previously unknown striatal connections to the human language network. The discrete subnetworks formed a stepped rostral-caudal gradient progressing from nucleus accumbens to posterior putamen; this organization was strongest for projections from medial frontal cortex. The stepped gradient organization fit patterns of fronto-striatal connections better than a smooth, continuous gradient. Thus, precision subnetworks identify detailed, individual-specific stepped gradients of cortico-striatal connectivity that include human-specific language networks.

Abstract Results of neuroimaging datasets aggregated from multiple sites may be biased by site- specific profiles in participants’ demographic and clinical characteristics, as well as MRI acquisition protocols and scanning platforms. We compared the impact of four different harmonization methods on results obtained from analyses of cortical thickness data: (1) linear mixed-effects model (LME) that models site-specific random intercepts (LME INT ), (2) LME that models both site-specific random intercepts and age-related random slopes (LME INT+SLP ), (3) ComBat, and (4) ComBat with a generalized additive model (ComBat-GAM). Our test case for comparing harmonization methods was cortical thickness data aggregated from 29 sites, which included 1,343 cases with posttraumatic stress disorder (PTSD) (6.2-81.8 years old) and 2,067 trauma-exposed controls without PTSD (6.3-85.2 years old). We found that, compared to the other data harmonization methods, data processed with ComBat-GAM were more sensitive to the detection of significant case-control differences in regional cortical thickness ( X 2 (3) = 34.339, p < 0.001), and case-control differences in age-related cortical thinning ( X 2 (3) = 15.128, p = 0.002). Specifically, ComBat-GAM led to larger effect size estimates of cortical thickness reductions (corrected p-values < 0.001 ), smaller age-appropriate declines (corrected p-values < 0.001 ), and lower female to male contrast (corrected p-values < 0.001 ) in cases compared to controls relative to other harmonization methods. Harmonization with ComBat-GAM also led to greater estimates of age-related declines in cortical thickness (corrected p-values < 0.001 ) in both cases and controls compared to other harmonization methods. Our results support the use of ComBat-GAM for harmonizing cortical thickness data aggregated from multiple sites and scanners to minimize confounds and increase statistical power.

Abstract Introduction Cortical thickness (CT) and surface area (SA) are established biomarkers of brain pathology in posttraumatic stress disorder (PTSD). Structural covariance networks (SCN) constructed from CT and SA may represent developmental associations, or unique interactions between brain regions, possibly influenced by a common causal antecedent. The ENIGMA-PGC PTSD Working Group aggregated PTSD and control subjects’ data from 29 cohorts in five countries (n=3439). Methods Using Destrieux Atlas, we built SCNs and compared centrality measures between PTSD subjects and controls. Centrality is a graph theory measure derived using SCN. Results Notable nodes with higher CT-based centrality in PTSD compared to controls were left fusiform gyrus, left superior temporal gyrus, and right inferior temporal gyrus. We found sex-based centrality differences in bilateral frontal lobe regions, left anterior cingulate, left superior occipital cortex and right ventromedial prefrontal cortex (vmPFC). Comorbid PTSD and MDD showed higher CT-based centrality in the right anterior cingulate gyrus, right parahippocampal gyrus and lower SA-based centrality in left insular gyrus. Conclusion Unlike previous studies with smaller sample sizes (≤318), our study found differences in centrality measures using a sample size of 3439 subjects. This is the first cross-sectional study to examine SCN interactions with age, sex, and comorbid MDD. Although limited to group level inferences, centrality measures offer insights into a node’s relationship to the entire functional connectome unlike approaches like seed-based connectivity or independent component analysis. Nodes having higher centrality have greater structural or functional connections, lending them invaluable for translational treatments like neuromodulation.

The characterization of individual functional brain organization with Precision Functional Mapping has provided important insights in recent years in adults. However, little is known about the ontogeny of inter-individual differences in brain functional organization during human development, but precise characterization of systems organization during periods of high plasticity might be most influential towards discoveries promoting lifelong health. Collecting and analyzing precision fMRI data during early development has unique challenges and emphasizes the importance of novel methods to improve data acquisition, processing, and analysis strategies in infant samples. Here, we investigate the applicability of two such methods from adult MRI research, multi-echo (ME) data acquisition and thermal noise removal with Noise reduction with distribution corrected principal component analysis (NORDIC), in precision fMRI data from three newborn infants. Compared to an adult example subject, T2* relaxation times calculated from ME data in infants were longer and more variable across the brain, pointing towards ME acquisition being a promising tool for optimizing developmental fMRI. The application of thermal denoising via NORDIC increased tSNR and the overall strength of functional connections as well as the split-half reliability of functional connectivity matrices in infant ME data. While our findings related to NORDIC denoising are coherent with the adult literature and ME data acquisition showed high promise, its application in developmental samples needs further investigation. The present work reveals gaps in our understanding of the best techniques for developmental brain imaging and highlights the need for further developmentally-specific methodological advances and optimizations, towards precision functional imaging in infants.

Abstract Background Current clinical assessments of Posttraumatic stress disorder (PTSD) rely solely on subjective symptoms and experiences reported by the patient, rather than objective biomarkers of the illness. Recent advances in data-driven computational approaches have been helpful in devising tools to objectively diagnose psychiatric disorders. Here we aimed to classify individuals with PTSD versus controls using heterogeneous brain datasets from the ENIGMA-PGC PTSD Working group. Methods We analyzed brain MRI data from 3,527 structural-MRI; 2,502 resting state-fMRI; and 1,953 diffusion-MRI. First, we identified the brain features that best distinguish individuals with PTSD from controls (TEHC and HC) using traditional machine learning methods. Second, we assessed the utility of the denoising variational autoencoder (DVAE) and evaluated its classification performance. Third, we assessed the generalizability and reproducibility of both models using leave-one-site-out cross-validation procedure for each modality. Results We found lower performance in classifying PTSD vs. controls with data from over 20 sites (60% test AUC for s-MRI, 59% for rs-fMRI and 56% for d-MRI), as compared to other studies run on single-site data. The performance increased when classifying PTSD from HC without trauma history across all three modalities (75% AUC). The classification performance remained intact when applying the DVAE framework, which reduced the number of features. Finally, we found that the DVAE framework achieved better generalization to unseen datasets compared with the traditional machine learning frameworks, albeit performance was slightly above chance. Conclusion Our findings highlight the promise offered by machine learning methods for the diagnosis of patients with PTSD. The utility of brain biomarkers across three MRI modalities and the contribution of DVAE models for improving generalizability offers new insights into neural mechanisms involved in PTSD. Significance ⍰ Classifying PTSD from trauma-unexposed healthy controls (HC) using three imaging modalities performed well (∼75% AUC), but performance suffered markedly when classifying PTSD from trauma-exposed healthy controls (TEHC) using three imaging modalities (∼60% AUC). ⍰ Using deep learning for feature reduction (denoising variational auto-encoder; DVAE) dramatically reduced the number of features with no concomitant performance degradation. ⍰ Utilizing denoising variational autoencoder (DVAE) models improves generalizability across heterogeneous multi-site data compared with the traditional machine learning frameworks

Functional MRI (fMRI) data are severely distorted by magnetic field (B0) inhomogeneities which currently must be corrected using separately acquired field map data. However, changes in the head position of a scanning participant across fMRI frames can cause changes in the B0 field, preventing accurate correction of geometric distortions. Additionally, field maps can be corrupted by movement during their acquisition, preventing distortion correction altogether. In this study, we use phase information from multi-echo (ME) fMRI data to dynamically sample distortion due to fluctuating B0 field inhomogeneity across frames by acquiring multiple echoes during a single EPI readout. Our distortion correction approach, MEDIC (Multi-Echo DIstortion Correction), accurately estimates B0 related distortions for each frame of multi-echo fMRI data. Here, we demonstrate that MEDIC9s framewise distortion correction produces improved alignment to anatomy and decreases the impact of head motion on resting-state functional connectivity (RSFC) maps, in higher motion data, when compared to the prior gold standard approach (i.e., TOPUP). Enhanced framewise distortion correction with MEDIC, without the requirement for field map collection, furthers the advantage of multi-echo over single-echo fMRI.

The Cingulo-Opercular network (CON) is an executive network of the human brain that regulates actions. CON is composed of many widely distributed cortical regions that are involved in top-down control over both lower-level (i.e., motor) and higher-level (i.e., cognitive) functions, as well as in processing of painful stimuli. Given the topographical and functional heterogeneity of the CON, we investigated whether subnetworks within the CON support separable aspects of action control. Using precision functional mapping (PFM) in 15 participants with > 5 hours of resting state functional connectivity (RSFC) and task data, we identified three anatomically and functionally distinct CON subnetworks within each individual. These three distinct subnetworks were linked to Decisions, Actions, and Feedback (including pain processing), respectively, in convergence with a meta-analytic task database. These Decision, Action and Feedback subnetworks represent pathways by which the brain establishes top-down goals, transforms those goals into actions, implemented as movements, and processes critical action feedback such as pain.

A growing number of studies have examined alterations in white matter organization in people with posttraumatic stress disorder (PTSD) using diffusion MRI (dMRI), but the results have been mixed, which may be partially due to relatively small sample sizes among studies. Altered structural connectivity may be both a neurobiological vulnerability for, and a result of, PTSD. In an effort to find reliable effects, we present a multi-cohort analysis of dMRI metrics across 3,049 individuals from 28 cohorts currently participating in the PGC-ENIGMA PTSD working group (a joint partnership between the Psychiatric Genomics Consortium and the Enhancing NeuroImaging Genetics through Meta-Analysis consortium). Comparing regional white matter metrics across the full brain in 1,446 individuals with PTSD and 1,603 controls (2152 males/897 females) between ages 18-83, 92% of whom were trauma-exposed, we report associations between PTSD and disrupted white matter organization measured by lower fractional anisotropy (FA) in the tapetum region of the corpus callosum (Cohens d=-0.12, p=0.0021). The tapetum connects the left and right hippocampus, structures for which structure and function have been consistently implicated in PTSD. Results remained significant/similar after accounting for the effects of multiple potentially confounding variables: childhood trauma exposure, comorbid depression, history of traumatic brain injury, current alcohol abuse or dependence, and current use of psychotropic medications. Our results show that PTSD may be associated with alterations in the broader hippocampal network.