Abstract In recent years, the prediction of individual behaviour from the fMRI-based functional connectome has become a major focus of research. The motivation behind this research is to find generalizable neuromarkers of cognitive functions. However, insufficient prediction accuracies and long scan time requirements are still unsolved issues. Here we propose a new machine learning algorithm for predicting intelligence scores of healthy human subjects from resting state (rsfMRI) or task-based fMRI (tfMRI). In a cohort of 390 unrelated test subjects of the Human Connectome Project, we found correlations between the observed and the predicted general intelligence of more than 50 percent in tfMRI, and of around 59 percent when results from two tasks are combined. Surprisingly, we found that the tfMRI data were significantly more predictive of intelligence than rsfMRI even though they were acquired at much shorter scan times (approximately 10 minutes versus 1 hour). Existing methods that we investigated in a benchmark comparison underperformed on tfMRI data and produced prediction accuracies well below our results. Our proposed algorithm differs from existing methods in that it achieves dimensionality reduction via ensemble learning and partial least squares regression rather than via brain parcellations or ICA decompositions. In addition, it introduces Ricci-Forman curvature as a novel type of edge weight.

ABSTRACT Timecourses that exhibit identical behaviour at distinct measurement occasions are reliable. Voodoo connectivity occurs when connectivity among brain regions exceeds within subject timecourse reliability. Thus, timecourse reliability limits the true detectable connectivity. We reproduced a working memory related connectome consisting of 561 paths obtained from 67 individuals. We tested >100000 fc-MRI pipelines and show that Savitzky Golay (SG) filters maximize true connectivity while conserving cognitively relevant changes of signals. This is noteworthy for approaches that focus on rapidly changing aspects of connectomes. Furthermore, SG filters detect zombie activity. These “resting state oscillations” are not under human control and contaminate working state signals. SPM pipelines exhibit more voodoo connectivity than SG pipelines. With the SPM pipeline, we observed a connectivity of r=0.44 and a poor true connectivity of r=0.23, but with the SG pipeline we observed a connectivity of r=0.59 and a fair true connectivity of r=0.43. The number of paths detected with fair true connectivity (r >0.4) was 4 for the SPM pipeline but 352 for the SG based pipeline. However, superior statistical properties of SG pipelines may not reflect neural reality. Hence, causal external validation of fc-MRI pipelines is crucial. Without such studies, different pipelines produce at best “alternative maps”.

Thalamic nuclei facilitate a wide range of complex behaviors, emotions, and cognition and have been implicated in neuropsychiatric disorders including Alzheimer's disease (AD) and schizophrenia. The aim of this work was to establish novel normative models of thalamic nuclear volumes and their laterality indices and investigate their changes in schizophrenia and AD.

Brain controllability properties are normally derived from the white matter fiber tracts in which the neural substrate of the actual energy consumption, namely the gray matter, has been widely ignored. Here, we study the relationship between gray matter volume of regions across the whole cortex and their respective control property derived from the structural architecture of the white matter fiber tracts. The data suggests that the ability of white fiber tracts to exhibit control at specific nodes not only depends on the connection strength of the structural connectome but additionally strongly depends on gray matter volume at the host nodes. Our data indicates that connectivity strength and gray matter volume interact with respect to the brain’s control properties, such that gray matter exerts the great impact in regions with high structural connectivity. Disentangling effects of the regional gray matter volume and connectivity strength, we found that frontal and sensory areas play crucial roles in controllability. Together these results suggest that structural and regional properties of the white matter and gray matter provide complementary information in studying the control properties of the intrinsic structural and functional architectural of the brain.### Competing Interest StatementThe authors have declared no competing interest.

The UltraCortex repository (https:/www.ultracortex.org) houses magnetic resonance imaging data of the human brain obtained at an ultra-high field strength of 9.4 T. It contains 86 structural MR images with spatial resolutions ranging from 0.6 to 0.8 mm. Additionally, the repository includes segmentations of 12 brains into gray and white matter compartments. These segmentations have been independently validated by two expert neuroradiologists, thus establishing them as a reliable gold standard. This resource provides researchers with access to high-quality brain imaging data and validated segmentations, facilitating neuroimaging studies and advancing our understanding of brain structure and function. Existing repositories do not accommodate field strengths beyond 7 T, nor do they offer validated segmentations, underscoring the significance of this new resource.

Predicting neuromarkers for cognitive abilities using fMRI has been a major focus of research in the past few years. However, it has recently been reported that many thousands of participants are required to obtain reproducible results (Marek et al (2022)). This appears to be a major impediment to obtaining neuromarkers from fMRI because large sample sizes are typically not available in neuroimaging studies. Here we show that the out-of-sample prediction accuracy can be dramatically improved by supplementing fMRI with readily available non-imaging information so that reliable predictive modeling becomes feasible even for small sample sizes. Specifically, we introduce a novel machine learning method that predicts intelligence from resting-state fMRI data, leveraging educational level as supplementary information. We refer to our approach as "semi-blind machine learning (SML)" because it operates under the assumption that supplementary information, such as educational level, is available for subjects in both the training and test sets. This setup closely mirrors real-world scenarios, especially in clinical contexts, where patient background information typically exists and can be utilized to boost prediction accuracy. Nonetheless, it is imperative to guard against potential bias. Subjects should not be categorized as more intelligent simply based on their higher education levels. Therefore, our approach contains a component explicitly designed for bias control. We have applied our method to three different data collections (HCP, AOMIC, ABIDE-1), and observed marked improvements in prediction accuracies across a wide range of sample sizes.

Motivation: The electroencephalography (EEG) in combination with MRI allows performing multi-modal imaging. The presence of EEG-caps can increase SAR of tight-fit transceiver RF-arrays at Ultra-High-Field. Goal(s): To numerically evaluate SAR generated by a tight-fit array at 9.4T in the presence of EEG-caps. Approach: Numerical models of 8-channel 9.4T transceiver arrays with EEG-electrodes were constructed. B1+ and SAR were simulated for the human head voxel models using CST Studio. Results: In this work, we numerically showed that EEG-caps don’t significantly change B1+ and SAR of the arrays at 9.4T. Furthermore, the created models of the caps can be used in future simulations. Impact: We numerically showed that EEG caps don’t significantly change B1+ and SAR of the arrays at 9.4T. The developed cap models can be used in future simulations