LL
Leonie Lampe
Author with expertise in Analysis of Brain Functional Connectivity Networks
Achievements
Cited Author
Key Stats
Upvotes received:
0
Publications:
7
(43% Open Access)
Cited by:
702
h-index:
22
/
i10-index:
30
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

Predicting brain-age from multimodal imaging data captures cognitive impairment

Franziskus Liem et al.Nov 23, 2016
The disparity between the chronological age of an individual and their brain-age measured based on biological information has the potential to offer clinically relevant biomarkers of neurological syndromes that emerge late in the lifespan. While prior brain-age prediction studies have relied exclusively on either structural or functional brain data, here we investigate how multimodal brain-imaging data improves age prediction. Using cortical anatomy and whole-brain functional connectivity on a large adult lifespan sample (N=2354, age 19–82), we found that multimodal data improves brain-based age prediction, resulting in a mean absolute prediction error of 4.29 years. Furthermore, we found that the discrepancy between predicted age and chronological age captures cognitive impairment. Importantly, the brain-age measure was robust to confounding effects: head motion did not drive brain-based age prediction and our models generalized reasonably to an independent dataset acquired at a different site (N=475). Generalization performance was increased by training models on a larger and more heterogeneous dataset. The robustness of multimodal brain-age prediction to confounds, generalizability across sites, and sensitivity to clinically-relevant impairments, suggests promising future application to the early prediction of neurocognitive disorders.
0

A mind-brain-body dataset of MRI, EEG, cognition, emotion, and peripheral physiology in young and old adults

Anahit Babayan et al.Feb 12, 2019
Abstract We present a publicly available dataset of 227 healthy participants comprising a young (N=153, 25.1±3.1 years, range 20–35 years, 45 female) and an elderly group (N=74, 67.6±4.7 years, range 59–77 years, 37 female) acquired cross-sectionally in Leipzig, Germany, between 2013 and 2015 to study mind-body-emotion interactions. During a two-day assessment, participants completed MRI at 3 Tesla (resting-state fMRI, quantitative T1 (MP2RAGE), T2-weighted, FLAIR, SWI/QSM, DWI) and a 62-channel EEG experiment at rest. During task-free resting-state fMRI, cardiovascular measures (blood pressure, heart rate, pulse, respiration) were continuously acquired. Anthropometrics, blood samples, and urine drug tests were obtained. Psychiatric symptoms were identified with Standardized Clinical Interview for DSM IV (SCID-I), Hamilton Depression Scale, and Borderline Symptoms List. Psychological assessment comprised 6 cognitive tests as well as 21 questionnaires related to emotional behavior, personality traits and tendencies, eating behavior, and addictive behavior. We provide information on study design, methods, and details of the data. This dataset is part of the larger MPI Leipzig Mind-Brain-Body database.
0

The age-dependent relationship between resting heart rate variability and functional brain connectivity

Deniz Kumral et al.Jul 3, 2018
Resting heart rate variability (HRV), an index of parasympathetic cardioregulation and an individual trait marker related to mental and physical health, decreases with age. Previous studies have associated resting HRV with structural and functional properties of the brain — mainly in cortical midline and limbic structures. We hypothesized that HRV may alter its relationship with brain structure and function across the adult lifespan. In 388 healthy subjects of three age groups (140 younger: 26.0±4.2 years, 119 middle-aged: 46.3±6.2 years, 129 older: 66.9±4.7 years), gray matter structure (voxel-based morphometry) and resting-state functional connectivity (eigenvector centrality mapping and exploratory seed-based functional connectivity) were related to resting HRV, measured as the root mean square of successive differences (RMSSD). Confirming previous findings, resting HRV decreased with age. For HRV-related gray matter volume, there were no statistically significant differences between the age groups, nor similarities across all age groups. In whole-brain functional connectivity analyses, we found an age-dependent association between resting HRV and eigenvector centrality in the bilateral ventromedial prefrontal cortex (vmPFC), driven by the younger adults. Across all age groups, HRV was positively correlated with network centrality in bilateral posterior cingulate cortex. Seed-based functional connectivity analysis using the vmPFC cluster revealed an HRV-related cortico-cerebellar network in younger but not in middle-aged or older adults. Our results indicate that the decrease of HRV with age is accompanied by changes in functional connectivity along the cortical midline. This extends our knowledge of brain-body interactions and their changes over the lifespan.
0

Association of Peripheral Blood Pressure with Grey Matter Volume in 19- to 40-Year-Old Adults

H. Schaare et al.Dec 24, 2017
Background: Arterial hypertension (HTN) dramatically increases the risk for stroke and neurodegenerative disease, but signatures of macro- and microangiopathic brain damage are already visible in magnetic resonance imaging (MRI) of asymptomatic HTN patients. Blood pressure (BP) levels that initiate detrimental effects on brain tissue are still undefined. Their identification may be important for successful BP-management and prevention of subsequent cerebrovascular disease. Our objective was to test whether elevated BP relates to lower grey matter volume (GMV) in young adults who had not been diagnosed as hypertensive (≥140/90 mmHg) previously. Methods: We related BP and GMV from structural 3 Tesla T1-weighted MRI of 423 healthy adults between 19-40 years (age=27.7±5.3 years, 177 women, systolic BP (SBP)=123.2±12.2 mmHg, diastolic BP (DBP)=73.4±8.5 mmHg). Data originated from four previously unpublished cross-sectional studies conducted in Leipzig, Germany. We performed voxel-based morphometry on each study separately and combined results in image-based meta-analyses (IBMA) to assess cumulative effects across studies. Resting BP was assigned to one of four categories: (1) SBP<120 mmHg and DBP<80 mmHg, (2) SBP 120-129 mmHg or DBP 80-84 mmHg, (3) SBP 130-139 mmHg or DBP 85-89 mmHg, (4) SBP≥140 mmHg or DBP≥90 mmHg. Findings: IBMA yielded: (a) regional GMV decreased linearly as peripheral BP increased; (b) significantly decreased GMV with higher peripheral BP when comparing individuals in sub-hypertensive categories 3 and 2, respectively, to those in category 1; (c) lower BP-related GMV was found in regions including hippocampus, amygdala, thalamus, frontal and parietal structures (e.g. precuneus). Interpretation: In young adults without previously diagnosed HTN, BP≥120/80 mmHg was associated with lower GMV in regions that have previously been related to GM decline in older individuals with manifest HTN. This suggests that subtle pressure-related brain alterations might occur earlier in adulthood than previously assumed and already at sub-hypertensive BP levels.
4

3D segmentation of perivascular spaces on T1-weighted 3 Tesla MR images with a convolutional autoencoder and a U-shaped neural network

Philippe Boutinaud et al.Nov 26, 2020
Abstract We implemented a deep learning (DL) algorithm for the 3-dimensional segmentation of perivascular spaces (PVSs) in deep white matter (DWM) and basal ganglia (BG). This algorithm is based on an autoencoder and a U-shaped network (U-net), and was trained and tested using T1-weighted magnetic resonance imaging (MRI) data from a large database of 1,832 healthy young adults. An important feature of this approach is the ability to learn from relatively sparse data, which gives the present algorithm a major advantage over other DL algorithms. Here, we trained the algorithm with 40 T1-weighted MRI datasets in which all “visible” PVSs were manually annotated by an experienced operator. After learning, performance was assessed using another set of 10 MRI scans from the same database in which PVSs were also traced by the same operator and were checked by consensus with another experienced operator. The Sorensen-Dice coefficients for PVS voxel detection in DWM (resp. BG) were 0.51 (resp. 0.66), and 0.64 (resp. 0.71) for PVS cluster detection (volume threshold of 0.5 within a range of 0 to 1). Dice values above 0.90 could be reached for detecting PVSs larger than 10 mm 3 and 0.95 for PVSs larger than 15 mm 3 . We then applied the trained algorithm to the rest of the database (1,782 individuals). The individual PVS load provided by the algorithm showed a high agreement with a semi-quantitative visual rating done by an independent expert rater, both for DWM and for BG. Finally, we applied the trained algorithm to an age-matched sample from another MRI database acquired using a different scanner. We obtained a very similar distribution of PVS load, demonstrating the interoperability of this algorithm.
0

Predicting brain-age from multimodal imaging data captures cognitive impairment

Franziskus Liem et al.Nov 7, 2016
The disparity between the chronological age of an individual and their brain-age measured based on biological information has the potential to offer clinically-relevant biomarkers of neurological syndromes that emerge late in the lifespan. While prior brain-age prediction studies have relied exclusively on either structural or functional brain data, here we investigate how multimodal brain-imaging data improves age prediction. Using cortical anatomy and whole-brain functional connectivity on a large adult lifespan sample (N = 2354, age 19-82), we found that multimodal data improves brain-based age prediction, resulting in a mean absolute prediction error of 4.29 years. Furthermore, we found that the discrepancy between predicted age and chronological age captures cognitive impairment. Importantly, the brain-age measure was robust to confounding effects: head motion did not drive brain-based age prediction and our models generalized reasonably to an independent dataset acquired at a different site (N = 475). Generalization performance was increased by training models on a larger and more heterogeneous dataset. The robustness of multimodal brain-age prediction to confounds, generalizability across sites, and sensitivity to clinically-relevant impairments, suggests promising future application to the early prediction of neurocognitive disorders.