Accurate spatial correspondence between template and subject images is a crucial step in neuroimaging studies and clinical applications like stereotactic neurosurgery. In the absence of a robust quantitative approach, we sought to propose and validate a set of point landmarks, anatomical fiducials (AFIDs), that could be quickly, accurately, and reliably placed on magnetic resonance images of the human brain. Using several publicly available brain templates and individual participant datasets, novice users could be trained to place a set of 32 AFIDs with millimetric accuracy. Furthermore, the utility of the AFIDs protocol is demonstrated for evaluating subject-to-template and template-to-template registration. Specifically, we found that commonly used voxel overlap metrics were relatively insensitive to focal misregistrations compared to AFID point-based measures. Our entire protocol and study framework leverages open resources and tools, and has been developed with full transparency in mind so that others may freely use, adopt, and modify. This protocol holds value for a broad number of applications including alignment of brain images and teaching neuroanatomy.

The internal structure of the human hippocampus is challenging to map using histology or neuroimaging due to its complex archicortical folding. Here, we aimed to overcome this challenge using a unique combination of three methods. First, we leveraged a histological dataset with unprecedented 3D coverage, 3D BigBrain. Second, we imposed a computational unfolding framework that respects the topological continuity of hippocampal subfields, which are traditionally defined by laminar composition. Third, we adapted neocortical parcellation techniques to map the hippocampus with respect to not only laminar but also morphological features. Unsupervised clustering of these features revealed subdivisions that closely resemble ground-truth manual subfield segmentations. Critically, we also show that morphological features alone are sufficient to derive most hippocampal subfield boundaries. Moreover, some features showed differences within subfields along the hippocampal longitudinal axis. Our findings highlight new characteristics of internal hippocampal structure, and offer new avenues for its characterization with in-vivo neuroimaging.

The hippocampus, like the neocortex, has a morphological structure that is complex and variable in its folding pattern, especially in the hippocampal head. The current study presents a computational method to unfold hippocampal grey matter, with a particular focus on the hippocampal head where complexity is highest due to medial curving of the structure and the variable presence of digitations. This unfolding was performed on segmentations from high-resolution, T2-weighted 7T MRI data from 12 healthy participants and one surgical patient with epilepsy whose resected hippocampal tissue was used for histological validation. We traced a critical hippocampal component, the hippocampal sulcus and stratum radiatum, lacunosum moleculaire, (SRLM) in these images, then employed user-guided semi-automated techniques to detect and subsequently unfold the surrounding hippocampal grey matter. This unfolding was performed by solving Laplace's equation in three dimensions of interest (long-axis, proximal-distal, and laminar). The resulting 'unfolded coordinate space' provides an intuitive way of mapping the hippocampal subfields in 2D space (long-axis and proximal-distal), such that similar borders can be applied in the head, body, and tail of the hippocampus independently of variability in folding. This unfolded coordinate space was employed to map intracortical myelin and thickness in relation to subfield borders, which revealed intracortical myelin differences that closely follow the subfield borders used here. Examination of a histological sample from a patient with epilepsy reveals that our unfolded coordinate system shows biological validity, and that subfield segmentations applied in this space are able to capture features not seen in manual tracing protocols.

Abstract Tools available for reproducible, quantitative assessment of brain correspondence have been limited. We previously validated the anatomical fiducial (AFID) placement protocol for point-based assessment of image registration with millimetric (mm) accuracy. In this data descriptor, we release curated AFID placements for some of the most commonly used structural magnetic resonance imaging templates and datasets. The release of our accurate placements allows for rapid quality control of image registration, teaching neuroanatomy, and clinical applications such as disease diagnosis and surgical targeting. We release placements on individual subjects from four datasets (n = 132 subjects for a total of 15,232 fiducials) and more than 10 brain templates (4,288 fiducials), compiling over 300 human rater hours of annotation. We also validate human rater accuracy of released placements to be within 1-2 mm (using a total of 50,336 Euclidean distances), consistent with prior studies. Our data is compliant with the Brain Imaging Data Structure (BIDS) allowing for facile incorporation into modern neuroimaging analysis pipelines. Data is accessible on GitHub ( https://github.com/afids/afids-data ).

Abstract The internal architecture of the hippocampus is challenging to map in detail using traditional histology and in-vivo neuroimaging. This is due, in part, to its complex archicortical folding that is difficult to appreciate in both modalities. Here, we aimed to overcome this challenge by leveraging the unique histological dataset available as open-source 3D BigBrain. Specifically, we investigated the relationship between topology, laminar cytoarchitecture, and detailed morphology with respect to hippocampal subfields and its anterior-posterior axis. Inspired by computational parcellation methods used in the neocortex, we topologically ‘unfolded’ the hippocampus and mapped it with respect to 5 morphological and 10 laminar features. Several features, including thickness, gyrification, and mean neuronal density, clearly differed between subfields. Indeed, data-driven clustering of all features revealed subdivisions which closely resemble manually defined subfields. Some features, most notably gyrification, also showed anterior-posterior differences within subfields, which may relate to connectivity and functional differences described in previous literature. Overall these findings offer quantifiable markers of hippocampal subfields, and provide new anatomical insight into the topology and properties of hippocampal tissue. Future applications could involve translation to in-vivo MRI for probing the internal hippocampal architecture at this mesoscale in cognition and disease.

Abstract Observers perceive their visual environment in unique ways. How ventral visual stream (VVS) regions represent subjectively perceived object characteristics remains poorly understood. We hypothesized that the visual similarity between objects that observers perceive is reflected with highest fidelity in neural activity patterns in perirhinal and anterolateral entorhinal cortex at the apex of the VVS object-processing hierarchy. To address this issue with fMRI, we administered a task that required discrimination between images of exemplars from real-world categories. Further, we obtained ratings of perceived visual similarities. We found that perceived visual similarities predicted discrimination performance in an observer-specific manner. As anticipated, activity patterns in perirhinal and anterolateral entorhinal cortex predicted perceived similarity structure, including those aspects that are observer-specific, with higher fidelity than any other region examined. Our findings provide new evidence that representations of the visual world at the apex of the VVS differ across observers in ways that influence behaviour.