Abstract The Nucleus Basalis of Meynert (NbM) is the main source of cholinergic projection to the entorhinal cortex (EC) and hippocampus (HC), where acetylcholine plays a key role in their function. Both cholinergic cells of NbM and their receptive targets in the EC and HC show sensitivity to neurofibrillary degeneration during the early stages of Alzheimer’s disease. Precise delineation of the NbM region on T1w scans is challenging due to limited spatial resolution and contrast. Using deformation-based morphometry (DBM), we sought to quantify NbM degeneration along the Alzheimer’s disease trajectory and confirm recent studies suggesting that NbM degeneration happens before degeneration in the EC or HC. MRI scans of 1447 participants from the Alzheimer’s Disease Neuroimaging Initiative (ADNI1, 2 and GO) were up-sampled to 0.5 mm voxel-size in each direction (0.125 mm 3 ) before non-linear registration to an ADNI-based unbiased symmetric average MRI template. A subgroup of 677 amyloid-positive participants were chosen for volume time course analysis where the resulting deformation fields were used to compute a high-resolution Jacobian determinant map for each participant as a proxy for local volume change within NbM, EC, and HC masks. Scores of volume change were corrected for age and sex and z-scored using normative data from cognitively healthy amyloid-negative (CN-) participants (n = 219). Two-sample t-tests were then used to compare the baseline differences between NbM, EC, and HC for amyloid-positive cognitively normal controls (CN+), amyloid-positive early mild cognitive impairment (eMCI), and amyloid-positive late mild cognitive impairment (lMCI). Longitudinal linear mixed-effect models were used to compare trajectories of volume change after realigning all participants into a common timeline based on their cognitive decline. Results showed a significant cross-sectional difference at baseline between CN+ and eMCI, and eMCI and lMCI for both left and right Z-scored NbM volumes. There was no difference in z-scored EC and HC volumes between CN+ and eMCI groups but results from eMCI and lMCI differed significantly in these regions. Longitudinal analysis, with a focus on the early disease stages showed the earliest deviation from the CN- trajectory in the NbM and HC in the subject-specific time realigned data. Contrary to the notion that Alzheimer’s disease originates in EC, we found that NbM volume changes earlier in the disease trajectory than EC or HC. Converging evidence from cross-sectional and longitudinal models suggest that the NbM may be a focal target of early AD progression, which is often obscured by normal age-related decline.

Abstract Quality control (QC) is an important part of all scientific analysis, including neuroscience. With manual curation considered the gold standard, there remains a lack of available tools that make manual neuroimaging QC accessible, fast, and easy. In this article we present Qrater, a containerized web-based python application that enables viewing and rating of previously generated QC images. A group of raters with varying amounts of experience in QC evaluated Qrater in three different tasks: QC of MRI raw acquisition (10,196 images), QC of non-linear registration to a standard template (10,196 images) and QC of skull segmentation (6,968 images). We measured the proportion of failed images, timing and intra- and inter-rater agreement. Raters spent vastly different amounts of time on each image depending on their experience and the task at hand. QC of MRI raw acquisition was the slowest. While an expert rater needed approximately one minute, trained raters spent 2-6 minutes evaluating an image. The fastest was the curation of a skull segmentation image, where expert raters spent on average 3 seconds per image before assigning a rating. Rating agreement also varied depending on the experience of the raters and the task at hand: trained raters’ inter-rater agreement with the expert’s gold standard ranged from fair to substantial in raw acquisition (Cohen’s chance corrected kappa agreement scores up to 0.72) and from fair to excellent in linear registration (kappa scores up to 0.82), while the experts’ inter-rater agreement of the skull segmentation task was excellent (kappa = 0.83). These results demonstrate that Qrater is a useful asset for QC tasks that rely on manual curation of images.