Complex networks have become the main paradigm for modelling the dynamics of interacting systems. However, networks are intrinsically limited to describing pairwise interactions, whereas real-world systems are often characterized by higher-order interactions involving groups of three or more units. Higher-order structures, such as hypergraphs and simplicial complexes, are therefore a better tool to map the real organization of many social, biological and man-made systems. Here, we highlight recent evidence of collective behaviours induced by higher-order interactions, and we outline three key challenges for the physics of higher-order systems. Network representations of complex systems are limited to pairwise interactions, but real-world systems often involve higher-order interactions. This Perspective looks at the new physics emerging from attempts to characterize these interactions.

Abstract Geometrical optical illusion (GOIs) are mismatches between physical stimuli and perception. GOIs provide an access point to study the interplay between sensation and perception, yet there is scant quantitative investigation of the extent to which different GOIs rely on similar or distinct brain mechanisms. We addressed this knowledge gap. First, 30 healthy adults reported quantitatively their perceptual biases with three GOIs, whose physical properties parametrically varied on a trial-by-trial basis. Biases observed with one GOI were unrelated to those observed with another GOI, suggestive of (partially) distinct underlying mechanisms. Next, we used these psychophysical results to tune a computational model of primary visual cortex that combines parameters of orientation, selectivity, intra-cortical connectivity, and long-range interactions. We showed that similar biases could be generated in-silico , mirroring those observed in humans. Such results provide a roadmap whereby computational modelling, informed by human psychophysics, can reveal likely mechanistic underpinnings of perception.

Abstract Electroencephalography (EEG) is among the most widely diffused, inexpensive, and applied neuroimaging techniques. Nonetheless, EEG requires measurements against a reference site(s), which is typically chosen by the experimenter, and specific pre-processing steps precede analysis. It is therefore valuable to obtain quantities that are reference-independent and minimally affected by pre-processing choices. Here, we show that the topological structure of embedding spaces, constructed either from multi-channel EEG timeseries or from their temporal structure, are subject-specific and robust to re-referencing and pre-processing pipelines. By contrast, the shape of correlation spaces, that is, discrete spaces where each point represents an electrode and the distance between them that is in turn related to the correlation between the respective timeseries, were neither significantly subject-specific nor robust to changes of reference. Our results suggest that the shape of spaces describing the observed configurations of EEG signals holds information about the individual specificity of the underlying individual’s brain dynamics, and that temporal correlations constrain to a large degree the set of possible dynamics. In turn, these encode the differences between subjects’ space of resting state EEG signals. Finally, our results and proposed methodology provide tools to explore the individual topographical landscapes and how they are explored dynamically. We propose therefore to augment conventional topographic analyses with an additional – topological – level of analysis, and to consider them jointly. More generally, these results provide a roadmap for the incorporation of topological analyses within EEG pipelines.

Functional magnetic resonance imaging (fMRI) is a methodological cornerstone of neuroscience. Most studies measure blood-oxygen-level-dependent (BOLD) signal using echo-planar imaging (EPI), Cartesian sampling, and image reconstruction with a one-to-one correspondence between the number of acquired volumes and reconstructed images. However, EPI schemes are subject to trade-offs between spatial and temporal resolutions. We overcome these limitations by measuring BOLD with a gradient recalled echo (GRE) with 3D radial-spiral phyllotaxis trajectory at a high sampling rate (28.24ms) on standard 3T field-strength. The framework enables the reconstruction of 3D signal time courses with whole-brain coverage at simultaneously higher spatial (1mm 3 ) and temporal (up to 250ms) resolutions, as compared to optimized EPI schemes. Additionally, artifacts are corrected before image reconstruction; the desired temporal resolution is chosen after scanning and without assumptions on the shape of the hemodynamic response. By showing activation in the calcarine sulcus of 20 participants performing an ON-OFF visual paradigm, we demonstrate the reliability of our method for cognitive neuroscience research.

This study addresses the need for an automated and accurate 3D segmentation of the healthy human eye and orbit from Magnetic Resonance Images, to allow improved ophthalmic diagnostics and treatments. Past efforts primarily focused on small sample sizes and varied imaging modalities. Here, we leverage a large-scale dataset of T1-weighted MRI of 1245 subjects and the use of the deep learning-based nnU-Net for MR-Eye segmentation tasks. The results showcase robust and accurate segmentations of lens, globe, optic nerve, rectus muscles, and fat. We also present the automated estimation of key ophthalmic biomarkers such as AL and volumetry, while benchmarking correlations between body mass index (BMI) and eye structure volumes. Quality control protocols are introduced through the pipeline to ensure the reliability and clinical relevance of the segmented large-scale data, further enhancing the applicability of our algorithm.

Motivation: Reliable large-scale MREye segmentation. Goal(s): Quality control of eye MRI and deep learning segmentation validation. Approach: We automatically extract Image Quality Metrics (IQMs) and use them as features to train a model in a supervised framework with expert rating annotations as target. Multi-class 3D MREye segmentation is done for the first time using the deep-learning-based approach nnUNet. Results: None of the models achieved the required levels of sensitivity and specificity necessary for our MREye application. nnUNet for MREye segmentation tasks yielded promising outcomes, robust to a variety of MRI quality. Impact: MREye does not escape the evidence that insufficient data quality threatens the reliability of analysis outcomes. We pioneer manual and automated quality control on MREye and benchmark deep learning eye segmentation.