Abstract Motion correction is an essential step in the preprocessing of functional magnetic resonance imaging (fMRI) data, improving the temporal signal to noise ratio (tSNR) and removing unwanted variance. Because of the characteristics of the spinal cord (non-rigidity, surrounded by moving organs), motion correction becomes especially challenging. We compared the efficiency of different motion correction protocols and suggest a preferred method for spinal cord fMRI data. Here we acquired gradient-echo echo-planar-imaging axial lumbar spinal cord fMRI data during painful mechanical stimulation of the left lower extremity of 15 healthy volunteers on a 3T scanner. We compared multiple motion correction techniques: 2D and 3D FLIRT realignment with and without slice-wise regulation, SliceCorr (implemented in the Spinal Cord Toolbox) and proposed a method 3D FLIRT in addition to Slice Regulation (SLiceReg) along the spinal cord. TSNR, image entropy, DVARS, image Sum of Absolute Differences and number of activated voxels in the spinal cord from GLM analysis to evaluate the performance of multiple motion correction procedures. The tSNR and DVARS 3D FLIRT + SLiceReg were significantly improved over other realignment methods (p<0.001). In comparison, tSNR=14.20±0.02 and DVARS=165.77±1.54 were higher than other methods. Additionally, the number of activated voxels of the statistical map in our suggested method was higher than the other realignment methods (p<0.05). Our results illustrated the proposed motion correction algorithm that integrated 3D motion correction and 2D slicewise regularization along spinal cord curvature could improve subject-level processing outputs by reducing the effects of motions. Our proposed protocols can improve subject-level analysis, especially in lumbar region that suffers from involuntary motions and signal loss due to susceptibility effect more than other spinal cord regions.

BackgroundChronic low-grade inflammation is observed across mental disorders and is associated with difficult-to-treat-symptoms of anhedonia and functional brain changes – reflecting a potential transdiagnostic dimension. Previous investigations have focused on distinct illness categories in those with enduring illness, with few exploring inflammatory changes. We sought to identify an inflammatory signal and associated brain function underlying anhedonia among young people with recent onset psychosis (ROP) and recent onset depression (ROD).MethodResting-state functional magnetic resonance imaging, inflammatory markers, and anhedonia symptoms were collected from N=108 (M age=26.2[SD 6.2]years; Female =50) participants with ROP (n=53) and ROD (n=55) from the EU-FP7-funded PRONIA study. Time-series were extracted using the Schaefer atlas, defining 100 cortical regions of interest. Using advanced multimodal machine learning, an inflammatory marker model and functional connectivity model were developed to classify an anhedonic group, compared to a normal hedonic group.ResultsA repeated nested cross-validation model using inflammatory markers classified normal hedonic and anhedonic ROP/ROD groups with a balanced accuracy (BAC) of 63.9%, and an area under the curve (AUC) of 0.61. The functional connectivity model produced a BAC of 55.2% and an AUC of 0.57. Anhedonic group assignment was driven by higher levels of Interleukin-6, S100B, and Interleukin-1 receptor antagonist, and lower levels of Interferon gamma, in addition to connectivity within the precuneus and posterior cingulate.ConclusionWe identified a potential transdiagnostic anhedonic subtype that was accounted for by an inflammatory profile and functional connectivity. Results have implications for anhedonia as an emerging transdiagnostic target across emerging mental disorders.

Abstract Stability is a physical attribute that stands opposite the change. However, it is still unclear how the arrangement of links called topology affects network stability. In this study, we tackled this issue in the resting-state brain network using structural balance. Structural balance theory employs the quality of triadic associations between signed links to determine the network stability. In this study, we showed that negative links of the resting-state network make hubs to reduce balance-energy and push the network into a more stable state compared to null-networks with trivial topologies. In this regard, we created a global measure entitled ‘tendency to make hub’ to assess the hubness of the network. Besides, we revealed nodal degrees of negative links have an exponential distribution that confirms the existence of negative hubs. Our findings indicate that the arrangement of negative links plays an important role in the balance (stability) of the resting-state brain network.

Abstract There are unique challenges in the preprocessing of spinal cord fMRI data, particularly voluntary or involuntary movement artifacts during image acquisition. Despite advances in data processing techniques for movement detection and correction, there are challenges in extrapolating motion correction algorithm developments in the brain cortex to the brainstem and spinal cord. We trained a Deep Learning-based convolutional neural network (CNN) via an unsupervised learning algorithm, called DeepRetroMoCo, to detect and correct motions in axial T2*-weighted spinal cord data. Spinal cord fMRI data from 27 participants were used for training of the network (135 runs for training and 81 runs for testing). We used average temporal signal-to-noise-ratio (tSNR) and Delta Variation Signal (DVARS) of raw and motion-corrected images to compare the outcome of DeepRetroMoco with sct_fmri_moco implemented in the spinal cord toolbox. The average tSNR in the cervical cord was significantly higher when DeepRetroMoco was used for motion correction compared to sct_fmri_moco method. Average DVARS was lower in images corrected by DeepRetroMoco than those corrected by sct_fmri_moco. The average processing time for DeepRetroMoco was also significantly shorter than sct_fmri_moco. Our results suggest that DeepRetroMoCo improves motion correction procedures in fMRI data acquired from the cervical spinal cord.

Abstract The brain is a frustrated system that contains conflictual link arrangements named frustration. The frustration as a source of disorder prevents the system from settling into low energy states and provides flexibility for brain network organization. In this research, we tried to identify the pattern of frustration formation in the brain at the levels of region, connection, canonical network, and hemisphere. We found that frustration formation has not a uniform pattern. Some subcortical elements have an active role in frustration formation, despite many low contributed cortical elements. Frustrating connections are mostly between-network types and triadic frustrations are mainly formed between three regions from three distinct canonical networks. Although there were no significant differences between brain hemispheres. We also did not find any robust differences between the frustration formation patterns of various lifespan stages. Our results may be interesting for those who study the organization of brain links and promising for those who want to manipulate brain networks.