ABSTRACT Receptor-Enriched Analysis of functional Connectivity by Targets (REACT) is a novel analytical strategy that enriches functional connectivity (FC) information from functional MRI (fMRI) with molecular information on the neurotransmitter distribution density in the human brain, providing a biological basis to the FC analysis. So far, this integrative approach has been used in blood oxygen level-dependent (BOLD) fMRI studies only, providing new insights into the brain mechanisms underlying specific disorders and its response to pharmacological challenges. In this study, we demonstrate that the application of REACT can be further extended to arterial spin labelling (ASL) fMRI. Some of the advantages of this extension include the combination of neurotransmitter specific information provided by molecular imaging with a quantitative marker of neuronal activity, the suitability of ASL for pharmacological MRI (phMRI) studies assessing drug effects on baseline brain function, and the possibility to acquire images that are not affected by susceptibility artifacts in the regions linked to major neurotransmitter systems. In this work, we tested the feasibility of applying REACT to resting state ASL fMRI and compared the molecular-enriched FC maps derived from ASL data with those derived from BOLD data. We applied REACT to high-resolution, whole-brain simultaneous ASL/BOLD resting-state fMRI data of 29 healthy subjects and estimated the ASL- and BOLD-based FC maps related to six molecular systems, including the transporters of dopamine, noradrenaline, serotonin and vesicular acetylcholine, and the GABA-A and mGlu5 receptors. We then compared the ASL and BOLD FC maps in terms of spatial similarity, using the Dice Similarity Index and the voxel-wise spatial correlation. On a data subsample (N=19) we also evaluated the test-retest reproducibility of each modality using the regional intraclass correlation coefficient, and compared the two modalities. Our results showed robust spatial patterns of molecular-enriched functional connectivity for both modalities, moderate to high similarity between BOLD- and ASL-derived FC maps and mixed results in terms of reproducibility (i.e., none of the modalities outperformed the other). Overall, our findings show that the ASL signal is as informative as BOLD in detecting functional circuits associated with specific molecular pathways, and that the two modalities may provide complementary information related to these circuits. Considering the more direct link of ASL imaging with neuronal acrivity compared to BOLD and its suitability for phMRI studies, this new integrative approach could become a valuable asset in clinical studies investigating functional alterations in patients with brain disorders, or in pharmacological studies investigating the effects of new or existing compounds on the brain.

Abstract Purpose In multi-echo fMRI (ME-fMRI), various weighting schemes have been proposed for the combination of the data across echoes. Here we introduce a framework that facilitates a deeper understanding of the weight dependence of temporal SNR measures in ME-fMRI. Theory and Methods We examine two metrics that have been used to characterize ME-fMRI performance: temporal SNR (tSNR) and multi-echo temporal (metSNR). Both metrics can be described using the generalized Rayleigh quotient (GRQ) and are predicted to be relatively insensitive to the weights when there is a high degree of similarity between a metric-specific matrix in the GRQ numerator and a metricindependent covariance matrix in the GRQ denominator. The application of the GRQ framework to experimental data is demonstrated using a resting-state fMRI dataset acquired with a multi-echo multi-band EPI sequence. Results In the example dataset, similarities between the covariance matrix and the metSNR and tSNR numerator matrices are highest in grey matter (GM) and cerebrospinal fluid (CSF) voxels, respectively. For representative GM and CSF voxels that exhibit high matrix similarity values, the metSNR and tSNR values, respectively, are both within 4% of their optimal values across a range of weighting schemes. However, there is a fundamental tradeoff, with a high degree of weight sensitivity in the tSNR and metSNR metrics for the representative GM and CSF voxels, respectively. Geometric insight into the observed weight dependencies is provided through a graphical interpretation of the GRQ. Conclusion A GRQ framework can provide insight into the factors that determine the weight sensitivity of tSNR and metSNR measures in ME-fMRI.

Motivation: Multiband imaging in EPI Diffusion sequences can suffer from Nyquist ghosting artifacts and poor slice separation. This affects evaluation of ADC, FA, and kurtosis maps in high performance gradient systems. Goal(s): Reduce ghosting and improve SNR in multiband images so that ADC, FA, and kurtosis maps deviate minimally from single-band imaging. Approach: EPI data is split into odd and even echoes and independently reconstructed with ARC algorithm. Virtual channel combination with phase correction along with a Deep Learning algorithm provides SNR enhancement. Results: There was minimal error in the ADC, FA, and kurtosis maps with the proposed approach compared to single-band images. Impact: Our reconstruction algorithm helps multiband imaging achieve minimal deviation in ADC, FA, orthogonal and parallel kurtoses as in single-band imaging but in a shorter acquisition time.

Background/Objectives: Magnetic resonance spectroscopy (MRS) is a valuable tool for studying metabolic processes in vivo. While numerous quantification methods exist, the advanced method for accurate, robust, and efficient spectral fitting (AMARES) is among the most used. This study introduces pyAMARES, an open-source Python implementation of AMARES, addressing the need for a flexible, user-friendly, and versatile MRS quantification tool within the Python ecosystem. Methods: PyAMARES was developed as a Python library, implementing the AMARES algorithm with additional features such as multiprocessing capabilities and customizable objective functions. The software was validated against established AMARES implementations (OXSA and jMRUI) using both simulated and in vivo MRS data. Monte Carlo simulations were conducted to assess robustness and accuracy across various signal-to-noise ratios and parameter perturbations. Results: PyAMARES utilizes spreadsheet-based prior knowledge and fitting parameter settings, enhancing flexibility and ease of use. It demonstrated comparable performance to existing software in terms of accuracy, precision, and computational efficiency. In addition to conventional AMARES fitting, pyAMARES supports fitting without prior knowledge, frequency-selective AMARES, and metabolite residual removal from mobile macromolecule (MM) spectra. Utilizing multiple CPU cores significantly enhances the performance of pyAMARES. Conclusions: PyAMARES offers a robust, flexible, and user-friendly solution for MRS quantification within the Python ecosystem. Its open-source nature, comprehensive documentation, and integration with popular data science tools enhance reproducibility and collaboration in MRS research. PyAMARES bridges the gap between traditional MRS fitting methods and modern machine learning frameworks, potentially accelerating advancements in metabolic studies and clinical applications.