Abstract Background Alzheimer’s Disease (AD) is the most common form of dementia with genetic and environmental risk contributing to its development. Graph theoretical analyses of brain networks constructed from structural and functional MRI measurements have identified connectivity changes in AD and individuals with mild cognitive impairment (MCI). However, brain connectivity in asymptomatic individuals at risk of AD remains poorly understood. Methods We analysed diffusion-weighted magnetic resonance imaging (dMRI) data from 160 asymptomatic individuals (38-71 years) from the Cardiff Ageing and Risk of Dementia Study (CARDS). We calculated white matter tracts and constructed whole-brain, default-mode-network and visual structural brain networks that incorporate multiple structural metrics as edge weights. We then calculated the relationship of three AD risk factors, namely Apolipoprotein-E ε4 genotype (APOE4), family history (FH) of dementia, and central obesity, on graph theoretical measures and hubs. Results We observed no risk-related differences in clustering coefficients, characteristic path lengths, eccentricity, diameter and radius across the whole-brain, default-mode-network or visual system. However, a hub in the right paracentral lobule was present in all high-risk groups (FH, APOE4, obese) but absent in low-risk groups (no FH, APOE4-ve, healthy weight). Discussion We identified no risk-related effects on graph theoretical metrics in the structural brain networks of cognitively healthy individuals. However, high-risk was associated with a hub in the right paracentral lobule, an area with motor and sensory functions related to the lower limb. If this phenotype is shown to predict symptom development in longitudinal studies, it could be used as an early biomarker of AD. Impact Statement Alzheimer’s Disease is a common form of dementia which to date has no cure. Identifying early biomarkers will aid the discovery and development of treatments that may slow AD progression in the future. In this paper we report that asymptomatic individuals at heightened risk of dementia due to their family history, Apolipoprotein-E ε4 genotype and body adiposity have a hub in the right paracentral lobule which is absent in low-risk groups. If this phenotype were to predict the development of symptoms in a longitudinal study of the same cohort, it could provide an early biomarker of disease progression.

Abstract A critical question in network neuroscience is how nodes cluster together to form communities, to form the mesoscale organization of the brain. Various algorithms have been proposed for identifying such communities, each identifying different communities within the same network. Here, (using test-retest data from the Human Connectome Project), the repeatability of 33 community detection algorithms, each paired with 7 different graph construction schemes was assessed. Repeatability of community partition depended heavily on both the community detection algorithm and graph construction scheme. Hard community detection algorithms (in which each node is assigned to only one community) outperformed soft ones (in which each node can be belong to more than one community). The highest repeatability was observed for the fast multi-scale community detection algorithm paired with a graph construction scheme that combines 9 white matter metrics. This pair also gave the highest similarity between representative group community affiliation and individual community affiliation. Connector hubs had higher repeatability than provincial hubs. Our results provide a workflow for repeatable identification of structural brain networks communities, based on optimal pairing of community detection algorithm and graph construction scheme.

Motivation: Advances in MRI have increased our understanding of the human brain but are frequently limited by single modality study designs. Combining data from multiple modalities/MR contrasts can enhance our understanding of the complex multi-scale neural relationships that underpin human behaviour. Goal(s): Our goal was to create an open-access multi-scale, multi-modal imaging database of the healthy human brain. Approach: The Welsh Advanced Neuroimaging Database (WAND) includes micro and macro-structural, functional and spectroscopic MRI, MEG and cognitive data from over 150 healthy volunteers. Results: WAND is free, open-source, organised using the Brain Imaging Data Structure (BIDS), and now available for download. Impact: The Welsh Advanced Neuroimaging Database takes steps toward democratising magnetic resonance research by making multi-modal, multi-scale neuroimaging data freely and easily available, enhancing opportunities for collaboration and development of novel analysis techniques, further progressing the field of neuroimaging.

Abstract Understanding how human brain microstructure influences functional connectivity is an important endeavor. In this work, magnetic resonance imaging data from ninety healthy participants were used to calculate structural connectivity matrices using the streamline count, fractional anisotropy, radial diffusivity and a myelin measure (derived from multicomponent relaxometry) to assign connection strength. Unweighted binarized structural connectivity matrices were also constructed. Magnetoencephalography resting-state data from those participants were used to calculate functional connectivity matrices, via correlations of the Hilbert envelopes of beamformer timeseries at the delta, theta, alpha and beta frequency bands. Non-negative matrix factorization was performed to identify the components of the functional connectivity. Shortest-path-length and search-information analyses of the structural connectomes were used to predict functional connectivity patterns for each participant. The microstructure-informed algorithms predicted the components of the functional connectivity more accurately than they predicted the total functional connectivity. This provides a methodology for better understanding of functional mechanisms. The shortest-path-length algorithm exhibited the highest prediction accuracy. Of the weights of the structural connectivity matrices, the streamline count and the myelin measure gave the most accurate predictions, while the fractional anisotropy performed poorly. Overall, different structural metrics paint very different pictures of the structural connectome and its relationship to functional connectivity.

Abstract We investigated the structural brain networks of 562 young adults in relation to polygenic risk for Alzheimer’s disease, using magnetic resonance imaging (MRI) and genotype data from the Avon Longitudinal Study of Parents and Children. Diffusion MRI data were used to perform whole-brain tractography and to generate structural brain networks for the whole-brain connectome, and for the default mode, limbic and visual subnetworks. The mean clustering coefficient, mean betweenness centrality, characteristic path length, global efficiency and mean nodal strength were calculated for these networks, for each participant. The connectivity of the rich-club, feeder and local connections was also calculated. Polygenic risk scores (PRS), estimating each participant’s genetic risk, were calculated at genome-wide level and for nine specific disease pathways. Correlations were calculated between the PRS and a) the graph theoretical metrics of the structural networks and b) the rich-club, feeder and local connectivity of the whole-brain networks. In the visual subnetwork, the mean nodal strength was negatively correlated with the genomewide PRS (r=−0.19, p =1.3×10 −5 ), the mean betweenness centrality was positively correlated with the plasma lipoprotein particle assembly PRS (r=0.16, p =9.2×10 −4 ), and the mean clustering coefficient was negatively correlated with the tau protein binding PRS (r=−0.16, p =9.2×10 −4 ). In the default mode network, the mean nodal strength was negatively correlated with the genomewide PRS (r=−0.14, p =1.5×10 −3 ). The rich-club and feeder connectivities were negatively correlated with the genome-wide PRS (r=−0.16, p =3.7×10 −4 ; r=−0.15, p =8.8×10 −4 ). Our results indicate small reductions in brain connectivity in young adults at risk of developing Alzheimer’s disease in later life.

Motivation: Substantial effort has been invested into understanding how brain structure constrains function. However, research has primarily focused on understanding structure, rather than linking brain dynamics to it. Goal(s): Compare oscillation propagation delays estimated using neuronal avalanches from MEG resting-state data with the underlying white matter structure estimated through tractography. Approach: We characterised the relationship between pathways length and the related propagation delays, using deterministic and probabilistic approaches, and looking at different frequency bands. Results: While higher frequency bands scale proportionally with propagation delays and length, lower frequency bands show constant delays, regardless of tract length, for both deterministic and probabilistic tractography. Impact: This multi-modal approach has the potential to improve understanding of how underlying white matter structure constrains brain [oscillatory] activity. Future research will focus on integrating additional structural and microstructural measurements to inform biophysical models of brain structural and functional connectivity.

Abstract The link between brain structural connectivity and schizotypy was explored in two healthy-participant cohorts, collected at two different neuroimaging centres, comprising 140 and 115 participants respectively. The participants completed the Schizotypal Personality Questionnaire (SPQ), through which their schizotypy scores were calculated. Diffusion-MRI data were used to perform tractography and to generate the structural brain networks of the participants. The edges of the networks were weighted with the inverse radial diffusivity. Graph theoretical metrics of the default-mode, sensorimotor, visual and auditory subnetworks were derived and their correlation coefficients with the schizotypy scores were calculated. To the best of our knowledge, this is the first time that graph theoretical measures of structural brain networks are investigated in relation to schizotypy. A positive correlation was found between the schizotypy score and the mean node degree and mean clustering coefficient of the sensorimotor and the default-mode subnetworks. The nodes driving these correlations were the right postcentral gyrus, the left paracentral lobule, the right superior frontal gyrus, the left parahippocampal gyrus and the bilateral precuneus, i.e., nodes that exhibit compromised functional connectivity in schizophrenia. Implications for schizophrenia and schizotypy are discussed.

Structural brain networks derived from diffusion magnetic resonance imaging data have been used extensively to describe the human brain, and graph theory has allowed quantification of their network properties. Schemes used to construct the graphs that represent the structural brain networks differ in the metrics they use as edge weights and the algorithms they use to define the network topologies. In this work, twenty graph construction schemes were considered. The schemes use the number of streamlines, the fractional anisotropy, the mean diffusivity or other attributes of the tracts to define the edge weights, and either an absolute threshold or a data-driven algorithm to define the graph topology. The test-retest data of the Human Connectome Project were used to compare the reproducibility of the graphs and their various attributes (edges, topologies, graph theoretical metrics) derived through those schemes, for diffusion images acquired with three different diffusion weightings. The impact of the scheme on the statistical power of the study and on the number of participants required to detect a difference between populations or an effect of an intervention was also calculated. The reproducibility of the graphs and their attributes depended heavily on the graph construction scheme. Graph reproducibility was higher for schemes that used thresholding to define the graph topology, while data-driven schemes performed better at topology reproducibility. Additionally, schemes that used thresholding resulted in better reproducibility for local graph theoretical metrics, while data-driven schemes performed better for global metrics. Crucially, the number of participants required to detect a difference between populations or an effect of an intervention could change by a large factor depending on the scheme used, affecting the power of studies to reveal the effects of interest.

Motivation: Many cortical pathologies are invisible via conventional MRI, making it difficult for clinicians to correctly diagnose and treat patients. Goal(s): Our aim was to optimize advanced MRI acquisitions, making them sensitive to subtle cortical pathologies while at the same time reducing acquisition times to clinically-feasible durations. Approach: We calculated the combined relaxation-diffusion signal to encompass surface relaxivity and T2 effects. We used Monte-Carlo simulations to model the signal from healthy and pathological cortical neurons for different PGSE schemes. Results: Our optimized sequences can distinguish pathology associated with focal cortical dysplasia from healthy tissue, and differentiate between focal cortical dysplasia subcategories. Impact: We calculate the combined relaxation-diffusion signal encompassing surface relaxivity and T2 effects, and use it in Monte-Carlo simulations to optimize MRI sequences for subtle cortical lesion detection. Our methodology can be used by researchers to investigate other cortical pathologies.

Abstract The human brain is a complex network that can be summarized as a graph where nodes refer to anatomical brain regions while edges encode the neuronal interactions or structural connections between them at both the micro and macroscopic levels, allowing the application of graph theory to investigate the network brain architecture. Various network metrics have been proposed and adopted so far describing both local and global properties of the relevant brain network. It has been proposed that connectomic harmonic patterns that emerged from the brain’s structural network underlie the human brain’s resting-state activity. Connectome harmonics refer to Laplacian eigenfunctions of the structural connectivity matrices (2D) and is an extension of the well-known Fourier basis of a signal (1D). The estimation of the normalized graph Laplacian over a brain network’s spectral decomposition can reveal the connectome harmonics (eigenvectors) corresponding to certain frequencies (eigenvalues). Here, we used test-retest dMRI data from the Human Connectome Project to explore the repeatability of connectome harmonics and eigenvalues across five graph construction schemes. Normalized Laplacian eigenvalues were found to be subject-specific and repeatable across the five graph construction schemes, but their range is highly dependent on the graph construction scheme. The repeatability of connectome harmonics is lower than that of the Laplacian eigenvalues and shows a heavy dependency on the graph construction scheme. In parallel, we investigated the properties of the structural networks and their relationship with the Laplacian spectrum. Our results provide a proof of concept for repeatable identification of the graph Laplacian spectrum of structural brain networks based on the selected graph construction scheme.