Abstract Limitations in the accuracy of brain pathways reconstructed by diffusion MRI (dMRI) tractography have received considerable attention. While the technical advances spearheaded by the Human Connectome Project (HCP) led to significant improvements in dMRI data quality, it remains unclear how these data should be analyzed to maximize tractography accuracy. Over a period of two years, we have engaged the dMRI community in the IronTract Challenge, which aims to answer this question by leveraging a unique dataset. Macaque brains that have received both tracer injections and ex vivo dMRI at high spatial and angular resolution allow a comprehensive, quantitative assessment of tractography accuracy on state-of-the-art dMRI acquisition schemes. We find that, when analysis methods are carefully optimized, the HCP scheme can achieve similar accuracy as a more time-consuming, Cartesian-grid scheme. Importantly, we show that simple pre- and post-processing strategies can improve the accuracy and robustness of many tractography methods. Finally, we find that fiber configurations that go beyond crossing ( e . g ., fanning, branching) are the most challenging for tractography. The IronTract Challenge remains open and we hope that it can serve as a valuable validation tool for both users and developers of dMRI analysis methods.

Abstract Background The zona incerta (ZI) is involved in mediating survival behaviors and is connected to a wide range of cortical and subcortical structures, including key basal ganglia nuclei. Based on these connections and their links to behavioral modulation, we propose the ZI is a connectional hub for in mediating between top-down and bottom-up control and a possible target for deep brain stimulation for obsessive compulsive disorder. Methods We analyzed the trajectory of cortical fibers to the ZI in nonhuman and human primates, based on tracer injections in monkeys and high-resolution diffusion MRI in humans. The organization of cortical and subcortical connections with the ZI were identified in the nonhuman primate studies. Results Monkey anatomic data and human dMRI data showed a similar trajectory of fibers/streamlines to the ZI. PFC/ACC terminals all converge within the rostral ZI (ZIr), with dorsal and lateral areas most prominent. Motor areas terminate caudally. Dense subcortical reciprocal connections included the thalamus, medial hypothalamus, substantia nigra/ventral tegmental area, reticular formation, and pedunculopontine nucleus and a dense nonreciprocal projection to the lateral habenula (LHb). Additional connections included amygdala, dorsal raphe nucleus, and periaqueductal grey. Conclusions Dense connections with dorsal and lateral PFC/ACC cognitive control areas and LHb and SN/VTA coupled with inputs from the amygdala, hypothalamus, and brainstem, suggests that the ZIr is a subcortical hub positioned to modulate between top-down and bottom-up control. A DBS electrode placed in the ZIr would involve both connections common to other DBS sites, but also would capture several critically distinctive connections.

Anatomic tracing is the gold standard tool for delineating brain connections and for validating more recently developed imaging approaches such as diffusion MRI tractography. A key step in the analysis of data from tracer experiments is the careful, manual charting of fiber trajectories on histological sections. This is a very time-consuming process, which limits the amount of annotated tracer data that are available for validation studies. Thus, there is a need to accelerate this process by developing a method for computer-assisted segmentation. Such a method must be robust to the common artifacts in tracer data, including variations in the intensity of stained axons and background, as well as spatial distortions introduced by sectioning and mounting the tissue. The method should also achieve satisfactory performance using limited manually charted data for training. Here we propose the first deep-learning method, with a self-supervised loss function, for segmentation of fiber bundles on histological sections from macaque brains that have received tracer injections. We address the limited availability of manual labels with a semi-supervised training technique that takes advantage of unlabeled data to improve performance. We also introduce anatomic and across-section continuity constraints to improve accuracy. We show that our method can be trained on manually charted sections from a single case and segment unseen sections from different cases, with a true positive rate of ~0.80. We further demonstrate the utility of our method by quantifying the density of fiber bundles as they travel through different white-matter pathways. We show that fiber bundles originating in the same injection site have different levels of density when they travel through different pathways, a finding that can have implications for microstructure-informed tractography methods. The code for our method is available at https://github.com/v-sundaresan/fiberbundle_seg_tracing.

Abstract Three large-scale brain networks are considered essential to cognitive flexibility: the ventral and dorsal attention (VAN and DAN) and salience (SN) networks. The ventrolateral prefrontal cortex (vlPFC) is a known component of the VAN and DAN, but there is an important gap in the current knowledge regarding its involvement in the SN. In this study, we used a translational and multimodal approach to fulfill this gap and demonstrate the existence of a SN node within the vlPFC. First, we used tract-tracing methods in non-human primates (NHP) to quantify the anatomic connectivity strength between the different vlPFC areas and the frontal and insular cortices. The strongest connections with the dorsal anterior cingulate cortex (dACC) and anterior insula (AI) locations comprising the two main cortical SN nodes were derived from the caudal area 47/12. This location also has strong axonal projections to subcortical structures of the salience network, including the dorsomedial thalamus, hypothalamus, sublenticular extended amygdala, and periaqueductal gray. Second, we used a seed-based functional connectivity analysis in NHP resting-state functional MRI (rsfMRI) data to validate the caudal area 47/12 as an SN node. Third, we used the same approach in human rsfMRI data to identify a homologous structure in caudal area 47/12, also showing strong connections with the SN cortical nodes, thus confirming the caudal area 47/12 as the SN node in the vlPFC. Taken together, the vlPFC contains nodes for all three cognitive networks, the VAN, DAN, and SN. Thus, the vlPFC is in a position to switch between these three cognitive networks, pointing to a key role as an attentional hub. Its tight additional connections to the orbitofrontal, dorsolateral, and ventral premotor cortices, places the vlPFC at the center for switching behaviors based on environmental stimuli, computing value and cognitive control.

Corticostriatal connections are essential for motivation, cognition, and behavioral flexibility. There is broad interest in using resting-state functional magnetic resonance imaging (rs-fMRI) to link circuit dysfunction in these connections with neuropsychiatric disorders. In this paper, we used tract-tracing data from non-human primates (NHPs) to assess the likelihood of monosynaptic connections being represented in rs-fMRI data of NHPs and humans. We also demonstrated that existing hub locations in the anatomical data can be identified in the rs-fMRI data from both species. To characterize this in detail, we mapped the complete striatal projection zones from 27 tract-tracer injections located in the orbitofrontal cortex (OFC), dorsal anterior cingulate cortex (dACC), ventromedial prefrontal cortex (vmPFC), ventrolateral PFC (vlPFC), and dorsal PFC (dPFC) of macaque monkeys. Rs-fMRI seeds at the same regions of NHP and homologous regions of human brains showed connectivity maps in the striatum mostly consistent with those observed in the tracer data. We then examined the location of overlap in striatal projection zones. The medial rostral dorsal caudate connected with all five frontocortical regions evaluated in this study in both modalities (tract-tracing and rs-fMRI) and species (NHP and human). Other locations in the caudate also presented an overlap of four frontocortical regions, suggesting the existence of different locations with lower levels of input diversity. Small retrograde tracer injections and rs-fMRI seeds in the striatum confirmed these cortical input patterns. This study sets the ground for future studies evaluating rs-fMRI in clinical samples to measure anatomical corticostriatal circuit dysfunction and identify connectional hubs to provide more specific treatment targets for neurological and psychiatric disorders.