Understanding the long association pathways that convey cortical connections is a critical step in exploring the anatomic substrates of cognition in health and disease. Diffusion tensor imaging (DTI) is able to demonstrate fibre tracts non-invasively, but present approaches have been hampered by the inability to visualize fibres that have intersecting trajectories (crossing fibres), and by the lack of a detailed map of the origins, course and terminations of the white matter pathways. We therefore used diffusion spectrum imaging (DSI) that has the ability to resolve crossing fibres at the scale of single MRI voxels, and identified the long association tracts in the monkey brain. We then compared the results with available expositions of white matter pathways in the monkey using autoradiographic histological tract tracing. We identified 10 long association fibre bundles with DSI that match the observations in the isotope material: emanating from the parietal lobe, the superior longitudinal fasciculus subcomponents I, II and III; from the occipital-parietal region, the fronto-occipital fasciculus; from the temporal lobe, the middle longitudinal fasciculus and from rostral to caudal, the uncinate fasciculus, extreme capsule and arcuate fasciculus; from the occipital-temporal region, the inferior longitudinal fasciculus; and from the cingulate gyrus, the cingulum bundle. We suggest new interpretations of the putative functions of these fibre bundles based on the cortical areas that they link. These findings using DSI and validated with reference to autoradiographic tract tracing in the monkey represent a considerable advance in the understanding of the fibre pathways in the cerebral white matter. By replicating the major features of these tracts identified by histological techniques in monkey, we show that DSI has the potential to cast new light on the organization of the human brain in the normal state and in clinical disorders.

MRI tractography is the mapping of neural fiber pathways based on diffusion MRI of tissue diffusion anisotropy. Tractography based on diffusion tensor imaging (DTI) cannot directly image multiple fiber orientations within a single voxel. To address this limitation, diffusion spectrum MRI (DSI) and related methods were developed to image complex distributions of intravoxel fiber orientation. Here we demonstrate that tractography based on DSI has the capacity to image crossing fibers in neural tissue. DSI was performed in formalin-fixed brains of adult macaque and in the brains of healthy human subjects. Fiber tract solutions were constructed by a streamline procedure, following directions of maximum diffusion at every point, and analyzed in an interactive visualization environment (TrackVis). We report that DSI tractography accurately shows the known anatomic fiber crossings in optic chiasm, centrum semiovale, and brainstem; fiber intersections in gray matter, including cerebellar folia and the caudate nucleus; and radial fiber architecture in cerebral cortex. In contrast, none of these examples of fiber crossing and complex structure was identified by DTI analysis of the same data sets. These findings indicate that DSI tractography is able to image crossing fibers in neural tissue, an essential step toward non-invasive imaging of connectional neuroanatomy.

Building the Brain Brain connectivity is often described as a network of discrete independent cables analogous to a switchboard, but how is the physical structure of the brain constructed (see the Perspective by Zilles and Amunts )? Wedeen et al. (p. 1628 ) used high-resolution diffusion tensor imaging in humans and four species of nonhuman primates to identify and compare the geometric structure of large fiber tracts in the brain. Fiber tracts followed a highly constrained and regular geometry, which may provide an efficient solution for pathfinding during ontogenetic development. Much of development occurs through elaboration and assembly of semiautonomous building blocks. Chen et al. (p. 1634 ) applied statistical analysis to the form of the human cortex in brain-imaging studies that compared more than 400 di- and mono-zygotic twins. The findings suggest that the structure of the human cortex is defined by genetics.

The ascending reticular activating system (ARAS) mediates arousal, an essential component of human consciousness. Lesions of the ARAS cause coma, the most severe disorder of consciousness. Because of current methodological limitations, including of postmortem tissue analysis, the neuroanatomic connectivity of the human ARAS is poorly understood. We applied the advanced imaging technique of high angular resolution diffusion imaging (HARDI) to elucidate the structural connectivity of the ARAS in 3 adult human brains, 2 of which were imaged postmortem. High angular resolution diffusion imaging tractography identified the ARAS connectivity previously described in animals and also revealed novel human pathways connecting the brainstem to the thalamus, the hypothalamus, and the basal forebrain. Each pathway contained different distributions of fiber tracts from known neurotransmitter-specific ARAS nuclei in the brainstem. The histologically guided tractography findings reported here provide initial evidence for human-specific pathways of the ARAS. The unique composition of neurotransmitter-specific fiber tracts within each ARAS pathway suggests structural specializations that subserve the different functional characteristics of human arousal. This ARAS connectivity analysis provides proof of principle that HARDI tractography may affect the study of human consciousness and its disorders, including in neuropathologic studies of patients dying in coma and the persistent vegetative state.

Diffusion MR tractography represents a novel opportunity to investigate conserved and deviant developmental programs between humans and other species such as mice. To that end, we acquired high angular resolution diffusion MR scans of mice (embryonic day [E] 10.5 to post-natal week [PW] 4) and human brains (gestational week [GW] 17 to 30) at successive stages of fetal development to investigate potential evolutionary changes in radial organization and emerging pathways between humans and mice. We compare radial glial development as well as commissural development (e.g., corpus callosum), primarily because our findings can be integrated with previous work. We also compare corpus callosal growth trajectories across primates (i.e., humans, rhesus macaques) and rodents (i.e., mice). One major finding is that the developing cortex of humans is predominated by pathways likely associated with a radial glial organization at GW 17-20, which is not as evident in age-matched mice (E 16.5, 17.5). Another finding is that, early in development, the corpus callosum follows a similar developmental timetable in primates (i.e., macaques, humans) as in mice. However, the corpus callosum grows for an extended period of time in primates compared with rodents. Taken together, these findings highlight deviant developmental programs underlying the emergence of cortical pathways in the human brain.

Nowadays more and more sustainable and environmentally friendly energy sources are demanded and wind power is playing an increasingly significant role in the energy market. For example, according to the Chinese Academy of Sciences, China plans to generate more than ten times the current scale of wind power in the next decade. Accurate prediction of wind generation is essential for the scheduling, operation, and energy trading of power systems. In this study, a method combining long and short-term memory network (LSTM) and convolutional neural network (CNN) is proposed for wind power generation prediction. In this study, a wind power generation data set from Longyuan Power Group is used to adapt to the input requirements of the model. The data are entered into the LSTM model to capture long-term trends in the data. Next, this paper uses the CNN to process the local spatial features to improve the prediction accuracy. Combining the outputs of these two models, this paper obtains an efficient wind power generation prediction method. In order to evaluate the performance of the proposed method, root mean square error is used to analyze the prediction data. The results show that the combined method of LSTM and CNN is better than individual methods in prediction accuracy and stability. In conclusion, this study proposes a wind power forecasting method combining LSTM and CNN. This method helps to improve the dispatching and operation efficiency of the power system and provides strong support for the promotion of wind power in the energy market.