Although it is being successfully implemented for exploration of the genome, discovery science has eluded the functional neuroimaging community. The core challenge remains the development of common paradigms for interrogating the myriad functional systems in the brain without the constraints of a priori hypotheses. Resting-state functional MRI (R-fMRI) constitutes a candidate approach capable of addressing this challenge. Imaging the brain during rest reveals large-amplitude spontaneous low-frequency (<0.1 Hz) fluctuations in the fMRI signal that are temporally correlated across functionally related areas. Referred to as functional connectivity, these correlations yield detailed maps of complex neural systems, collectively constituting an individual's “functional connectome.” Reproducibility across datasets and individuals suggests the functional connectome has a common architecture, yet each individual's functional connectome exhibits unique features, with stable, meaningful interindividual differences in connectivity patterns and strengths. Comprehensive mapping of the functional connectome, and its subsequent exploitation to discern genetic influences and brain–behavior relationships, will require multicenter collaborative datasets. Here we initiate this endeavor by gathering R-fMRI data from 1,414 volunteers collected independently at 35 international centers. We demonstrate a universal architecture of positive and negative functional connections, as well as consistent loci of inter-individual variability. Age and sex emerged as significant determinants. These results demonstrate that independent R-fMRI datasets can be aggregated and shared. High-throughput R-fMRI can provide quantitative phenotypes for molecular genetic studies and biomarkers of developmental and pathological processes in the brain. To initiate discovery science of brain function, the 1000 Functional Connectomes Project dataset is freely accessible at www.nitrc.org/projects/fcon_1000/ .

Functional connectomics is one of the most rapidly expanding areas of neuroimaging research. Yet, concerns remain regarding the use of resting-state fMRI (R-fMRI) to characterize inter-individual variation in the functional connectome. In particular, recent findings that "micro" head movements can introduce artifactual inter-individual and group-related differences in R-fMRI metrics have raised concerns. Here, we first build on prior demonstrations of regional variation in the magnitude of framewise displacements associated with a given head movement, by providing a comprehensive voxel-based examination of the impact of motion on the BOLD signal (i.e., motion-BOLD relationships). Positive motion-BOLD relationships were detected in primary and supplementary motor areas, particularly in low motion datasets. Negative motion-BOLD relationships were most prominent in prefrontal regions, and expanded throughout the brain in high motion datasets (e.g., children). Scrubbing of volumes with FD>0.2 effectively removed negative but not positive correlations; these findings suggest that positive relationships may reflect neural origins of motion while negative relationships are likely to originate from motion artifact. We also examined the ability of motion correction strategies to eliminate artifactual differences related to motion among individuals and between groups for a broad array of voxel-wise R-fMRI metrics. Residual relationships between motion and the examined R-fMRI metrics remained for all correction approaches, underscoring the need to covary motion effects at the group-level. Notably, global signal regression reduced relationships between motion and inter-individual differences in correlation-based R-fMRI metrics; Z-standardization (mean-centering and variance normalization) of subject-level maps for R-fMRI metrics prior to group-level analyses demonstrated similar advantages. Finally, our test-retest (TRT) analyses revealed significant motion effects on TRT reliability for R-fMRI metrics. Generally, motion compromised reliability of R-fMRI metrics, with the exception of those based on frequency characteristics - particularly, amplitude of low frequency fluctuations (ALFF). The implications of our findings for decision-making regarding the assessment and correction of motion are discussed, as are insights into potential differences among volume-based metrics of motion.

ABSTRACT Arterial spin labeled (ASL) magnetic resonance imaging (MRI) is the primary method for non-invasively measuring regional brain perfusion in humans. We introduce ASLPrep, a suite of software pipelines that ensure the reproducible and generalizable processing of ASL MRI data.

Abstract Pediatric brain imaging holds significant promise for understanding neurodevelopment. However, the requirement to remain still inside a noisy, enclosed scanner remains a challenge. Verbal or visual descriptions of the process, and/or practice in MRI simulators are the norm in preparing children. Yet, the factors predictive of successfully obtaining neuroimaging data remain unclear. We examined data from 250 children (6-12 years, 197 males) with autism and/or attention-deficit/hyperactivity disorder. Children completed systematic MRI simulator training aimed to habituate to the scanner environment and minimize head motion. An MRI session comprised multiple structural, resting-state, task and diffusion scans. Of the 201 children passing simulator training and attempting scanning, nearly all (94%) successfully completed the first structural scan in the sequence, and 88% also completed the following resting state fMRI scan. The number of successful scans decreased as the sequence progressed. Multivariate analyses revealed that age was the strongest predictor of successful scans in the session, with younger children having lower success rates. After age, sensorimotor atypicalities contributed most to prediction. Results provide insights on factors to consider in designing pediatric brain imaging protocols.

Abstract Socioeconomic status (SES) has been linked to differences in brain structure and psychiatric risk across the lifespan. Despite many neuropsychiatric disorders emerging in childhood, few studies have examined the influence of SES on brain aging and psychopathology in youth. We re-analyzed relative brain age (RBA) data from the Healthy Brain Network to examine the influence of SES components (parent education, occupation, household income-to-needs ratio (INR), public assistance enrollment) on RBA. RBA was previously determined using covariation patterns for cortical morphology, white, and subcortical gray matter volumes without SES in predictive models. We also examined associations between RBA and psychiatric symptoms (child behavior checklist). Full case analysis included 470 youth (5-17 years; 61.3% male), self-identifying as White (55%), African American (15%), Hispanic (9%), or multiracial (17.2%). Mean household income was 3.95±2.33 (Mean±SD) times the federal poverty threshold. Multiple linear regression examined if 1) SES components associated with RBA, and 2) RBA associated with psychiatric symptoms. Models covaried for sex, scan location, and parent psychiatric diagnoses. RBA associated with public assistance (p = 0.03), parent occupation (p = 0.01), and parent psychiatric diagnosis (p = 0.01), but not with INR and parent education. Parent occupation (p = 0.02) and RBA (p = 0.04) associated with CBCL anxiety/depression scores. Components of SES associated with brain aging, underscoring the risk of omitting these factors in developmental brain research. Further, delayed brain aging was associated with low parental occupational prestige and child anxiety/depression scores, suggesting a possible biological pathway from SES to mental health risk.

Complementing longstanding traditions centered around histology, functional magnetic resonance imaging approaches are rapidly maturing in their ability to delineate brain areal organization at the macroscale. In particular, automated approaches focused on the detection of gradient-based boundaries in functional connectivity (FC) properties between cortical areas have demonstrated the ability to characterize human brain organization at the individual level and recapitulate previously established cytoarchitectonic brain areas. The use of non-human primates (NHP) provides the opportunity to overcome critical barriers in the advancement of translational research. Here, we establish the data and scanning condition requirements for achieving reproducible, stable and internally valid areal parcellations at the individual levels, which have good correspondences with previously established postmortem areas; the inclusion of data from two independent imaging sites ensures the reproducibility of our findings. We demonstrate that highly reproducible areal organizations for fingerprinting can be achieved whether subjects were scanned under anesthesia or awake (rest, naturalistic viewing), though differences between awake and anesthetized states precluded the detection of individual differences across states. Individual differences were notably more stable across differing awake states. Comparison of awake and anesthetized states suggested a more nuanced picture of changes in connectivity for higher order association areas, as well as visual and motor cortex. These results establish feasibility and data requirements for the generation of reproducible individual-specific parcellations in NHP, as well as provide insights into the impact of scan state on findings.

Multilayer network models have been proposed as an effective means to capture the dynamic configuration of distributed neural circuits and quantitatively describe how communities vary over time. However, test-retest reliabilities for multilayer network measures are yet to be fully quantified. Here, we systematically evaluated the impact of code implementation, network parameter selections, scan duration, and task condition on test-retest reliability of key multilayer network measures (i.e., flexibility, integration, recruitment). We found that each of these factors impacted reliability, although to differing degrees. The choice of parameters is a longstanding difficulty of multilayer modularity-maximization algorithms. As suggested by prior work, we found that optimal parameter selection was a key determinant of reliability. Though, due to changes in implementation of the multilayer community detection algorithm, our findings revealed a more complex story than previously appreciated, as the parameter landscape of reliability was found to be dependent on the implementation of the software. Consistent with findings from the static functional connectivity literature, scan duration was found to be a much stronger determinant of reliability than scan condition. We found that both passive (i.e., resting state, Inscapes, and movie) and active (i.e., flanker) tasks can be highly reliable when the parameters are optimized and the scan duration is sufficient, although reliability in the movie watching condition was significantly higher than in the other three tasks. Accordingly, the minimal data requirement for achieving reliable measures for the movie watching condition was 20 min, which is less than the 30 min needed for the other three tasks. Collectively, our results quantified test-retest reliability for multilayer network measures and support the utility of movie fMRI as a reliable context in which to investigation time-invariant network dynamics. Our practice of using test-retest reliability to optimize free parameters of multilayer modularity-maximization algorithms has the potential to enhance our ability to use these measures for the study of individual differences in cognitive traits.

Data sharing is increasingly recommended as a means of accelerating science by facilitating collaboration, transparency, and reproducibility. While few oppose data sharing philosophically, a range of barriers deter most researchers from implementing it in practice (e.g., workforce and infrastructural demands, sociocultural and privacy concerns, lack of standardization). To justify the significant effort required for sharing data (e.g., organization, curation, distribution), funding agencies, institutions, and investigators need clear evidence of benefit. Here, using the International Neuroimaging Data-sharing Initiative, we present a brain imaging case study that provides direct evidence of the impact of open sharing on data use and resulting publications over a seven-year period (2010-2017). We dispel the myth that scientific findings using shared data cannot be published in high-impact journals and demonstrate rapid growth in the publication of such journal articles, scholarly theses, and conference proceedings. In contrast to commonly used 'pay to play' models, we demonstrate that openly shared data can increase the scale (i.e., sample size) of scientific studies conducted by data contributors, and can recruit scientists from a broader range of disciplines. These findings suggest the transformative power of data sharing for accelerating science and underscore the need for the scientific ecosystem to embrace the challenge of implementing data sharing universally.

Brain iron plays key roles in catecholaminergic neurotransmitter synthesis and early life brain development. It is also central to cellular energetics and neurotransmitter metabolism throughout the lifespan. Disturbances in brain iron have been implicated in a growing number of psychiatric and late-life neurodegenerative disorders. Additionally, brain iron accumulations are thought to play a deleterious role in neuroinflammatory processes in later life. Despite its importance, the role of brain iron in development, aging, and psychiatric disorders remains comparatively understudied. This is partly due to technical challenges inherent in implementation and analysis of formal iron imaging protocols and practical constraints on scan session durations. Here, we introduce a method to estimate relative brain iron concentrations that is 1) computationally simple, 2) shows excellent correspondence with formal iron imaging in-vivo, 3) replicates clinically-relevant findings from formal iron imaging, 4) yields novel insights into brain iron and cognition across the lifespan, and 5) leverages a widely available and frequently shared brain imaging modality: functional MRI. The computationally simple nature of the measure, coupled with the availability of fMRI datasets across the lifespan and disorders, has the potential to transform our understanding of the complex and critical relationship between iron and brain health.