Abstract Recent developments in network neuroscience suggest reconsidering what we thought we knew about the Default Mode Network (DMN). Although this network has always been seen as unitary and associated with the resting state, a new deconstructive line of research is pointing out that the DMN could be divided into multiple subsystems supporting different functions. By now, it is well known that the DMN is not only deactivated by tasks, but also involved in affective, mnestic, and social paradigms, among others. Nonetheless, it is starting to become clear that the array of activities in which it is involved, might also be extended to more extrinsic functions. The present meta-analytic study is meant to push this boundary a bit further. The BrainMap database was searched for all experimental paradigms activating the DMN, and their activation maps were then computed. An additional map of task-induced deactivations was also created. A Multidimensional Scaling indicated that such maps could be arranged along an anatomo-psychological gradient, which goes from midline core activations, associated with the most internal functions, to the involvement of lateral cortices in more external tasks. Further investigations suggested that such extrinsic mode is especially related to reward, semantic, and emotional functions. However, an important finding was that the variability of task-induced DMN anatomic redistribution was hard to recapitulate, as none of the maps, or any linear combination of them, could represent the whole space of its dynamical reconfiguration. Altogether, our findings suggest that the DMN may be characterized by a richer functional diversity and a more spatial complexity than previously suggested.

The exact mechanisms at the root of pathologic anatomical covariances are still unknown. It is nonetheless becoming clearer that the impact of brain diseases is more convincingly represented in terms of co- alterations rather than in terms of localization of alterations. According to this view, neurological and psychiatric conditions might be seen as whole-brain patterns of modifications. In this context, the physical distance between two co-altered areas may provide insightful information about how pathology develops across the brain, assuming that long-range co-alterations might be relevant features of pathological networks. To demonstrate this hypothesis, we calculated the probability of co-alteration between brain areas across a large database of voxel-based morphometry studies of psychiatric and neurological disorders, and we investigated the physical (Euclidean) distance of the edges of the resulting network. Such analysis produced a series of observations relevant for the understanding of pathology, which range from unanticipated results to the recognition of regions of well-known functional and clinical relevance. For instance, it emphasizes the importance of the anterior and dorsal prefrontal cortices in the distribution of the disease-related alterations, as well as a specular asymmetry of gray matter decreases and increases between the hemispheres. Also, the analyses of schizophrenia and Alzheimer’s disease show that long-distance co-alterations are able to identify areas involved in pathology and symptomatology. Moreover, the good concordance between the measure of the mean physical distance and that of functional degree centrality suggests that co-alterations and connectivity are intimately related. These findings highlight the importance of analyzing the physical distance in pathology, as the areas characterized by a long mean distance may be considered as hubs with a crucial role in the systems of alterations induced by brain diseases.

Several functional connectivity approaches require the definition of a set of ROIs that act as network nodes. Different methods have been developed to define these nodes and to derive their functional and effective connections, most of which are rather complex. Here we aim to propose a relatively simple “one-step” border detection and ROI estimation procedure employing the fuzzy c-mean clustering algorithm. To test this procedure and to explore insular connectivity beyond the two/three-region model currently proposed in the literature, we parcellated the insular cortex of a group of twenty healthy right-handed volunteers (10 females) scanned in a resting state condition. Employing a high-dimensional functional connectivity-based clustering process, we confirmed the two patterns of connectivity previously described. This method revealed a complex pattern of functional connectivity where the two previously detected insular clusters are subdivided into several other networks, some of which not commonly associated with the insular cortex, such as the default mode network and parts of the dorsal attentional network. Finally, the detection of nodes was reliable

Abstract Activation likelihood estimation (ALE) is among the most used algorithms to perform neuroimaging meta-analysis. Since its first implementation, several thresholding procedures had been proposed, all referred to the frequentist framework, returning a rejection criterion for the null hypothesis according to the critical p-value selected. However, this is not informative in terms of probabilities of the validity of the hypotheses. Here, we describe an innovative thresholding procedure based on the concept of minimum Bayes factor (mBF). The use of the Bayesian framework allows to consider different levels of probability, each of these being equally significant. In order to simplify the translation between the common ALE practice and the proposed approach, we analised six task-fMRI/VBM datasets and determined the mBF values equivalent to the currently recommended frequentist thresholds based on Family Wise Error (FWE). Sensitivity and robustness toward spurious findings were also analyzed. Results showed that the cutoff log 10 (mBF)=5 is equivalent to the FWE threshold, often referred as voxel-level threshold, while the cutoff log 10 (mBF)=2 is equivalent to the cluster-level FWE (c-FWE) threshold. However, only in the latter case voxels spatially far from the blobs of effect in the c-FWE ALE map survived. Therefore, when using the Bayesian thresholding the cutoff log 10 (mBF)=5 should be preferred. However, being in the Bayesian framework, lower values are all equally significant, while suggesting weaker level of force for that hypothesis. Hence, results obtained through less conservative thresholds can be legitimately discussed without losing statistical rigor. The proposed technique adds therefore a powerful tool to the human-brain-mapping field.

Schizophrenia, obsessive-compulsive and autistic disorders are traditionally considered as three separate psychiatric conditions each with specific symptoms and pattern of brain alterations. This view can be challenged since these three conditions have the same neurobiological origin, stemming from a common root of a unique neurodevelopmental tree. The aim of this meta-analytic study was to determine, from a neuroimaging perspective, whether i) white matter and gray matter alterations are specific for the three different spectrum disorders, and the nosographical differentiation of three spectra is supported by different patterns of brain alterations. ii) it might be possible to define new spectra starting from specific brain damage. iii) it is possible to detect a "brain damage network" (a connecting link between the damaged areas that relates areas constantly involved in the disorder). Three main findings emerged from our meta-analysis: 1) The three psychiatric spectra do not appear to have their own specific damage. 2) It is possible to define two new damage clusters. The first includes substantial parts of the salience network, and the second is more closely linked to the auditory-visual, auditory and visual somatic areas. 3) It is possible to define a "Damage Network" and to infer a hierarchy of brain substrates in the pattern of propagation of the damage. These results suggest the presence of a common pattern of damage in the three pathologies plus a series of variable alterations that, rather than support the sub-division into three spectra, highlight a two-cluster parcellation with an input-output and more cognitive clusters.

Abstract Numerous studies have investigated gray matter (GM) volume changes in diverse patient groups. Reports of disorder-related GM reductions are common in such work, but many studies also report evidence for GM volume increases in patients. It is unclear whether these GM increases and decreases independent or related in some way. Here, we address this question using a novel meta-analytic network mapping approach. We used a coordinate-based meta-analysis of 64 voxel-based morphometry studies of psychiatric disorders to calculate the probability of finding a GM increase or decrease in one region given an observed change in the opposite direction in another region. Estimating this co-occurrence probability for every pair of brain regions allowed us to build a network of concurrent GM changes of opposing polarity. Our analysis revealed that disorder-related GM increases and decreases are not independent; instead, a GM change in one area is often statistically related to a change of opposite polarity in other areas, highlighting distributed yet coordinated changes in GM volume as a function of brain pathology. Most regions showing GM changes linked to an opposite change in a distal area were located in salience, executive-control and default mode networks, as well as the thalamus and basal ganglia. Moreover, pairs of regions showing coupled changes of opposite polarity were more likely to belong to different canonical networks than to the same one. Our results suggest that regional GM alterations in psychiatric disorders are often accompanied by opposing changes in distal regions that belong to distinct functional networks.

In the field of neuroimaging reverse inferences can lead us to suppose the involvement of cognitive processes from certain patterns of brain activity. Still, the same reasoning holds if we substitute 'brain activity' with 'brain alteration' and 'cognitive process' with 'brain disorder'. To assess the involvement of a certain alteration pattern in a brain disorder we used the Bayes' factor technique on voxel-based morphometry data of schizophrenia and Alzheimer's disease. This technique allows to calculate the ratio between the likelihoods of two alternative hypotheses (in our case, that the alteration of the voxel is specific for the brain disorder under scrutiny or that the alteration is not specific). We then performed temporal simulations of the alterations' spread associated with different pathologies. The Bayes' factor values calculated on these simulated data were able to reveal that the areas, which are more specific to a certain disease, are also the ones to be early altered.