BY
B. Yeo
Author with expertise in Analysis of Brain Functional Connectivity Networks
Achievements
Cited Author
Key Stats
Upvotes received:
0
Publications:
8
(38% Open Access)
Cited by:
12
h-index:
20
/
i10-index:
28
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
12

Individual-Specific Areal-Level Parcellations Improve Functional Connectivity Prediction of Behavior

Ru Kong et al.Jan 19, 2021
Abstract Resting-state functional MRI (rs-fMRI) allows estimation of individual-specific cortical parcellations. We have previously developed a multi-session hierarchical Bayesian model (MS-HBM) for estimating high-quality individual-specific network-level parcellations. Here, we extend the model to estimate individual-specific areal-level parcellations. While network-level parcellations comprise spatially distributed networks spanning the cortex, the consensus is that areal-level parcels should be spatially localized, i.e., should not span multiple lobes. There is disagreement about whether areal-level parcels should be strictly contiguous or comprise multiple non-contiguous components, therefore we considered three areal-level MS-HBM variants spanning these range of possibilities. Individual-specific MS-HBM parcellations estimated using 10min of data generalized better than other approaches using 150min of data to out-of-sample rs-fMRI and task-fMRI from the same individuals. Resting-state functional connectivity (RSFC) derived from MS-HBM parcellations also achieved the best behavioral prediction performance. Among the three MS-HBM variants, the strictly contiguous MS-HBM (cMS-HBM) exhibited the best resting-state homogeneity and most uniform within-parcel task activation. In terms of behavioral prediction, the gradient-infused MS-HBM (gMS-HBM) was numerically the best, but differences among MS-HBM variants were not statistically significant. Overall, these results suggest that areal-level MS-HBMs can capture behaviorally meaningful individual-specific parcellation features beyond group-level parcellations. Multi-resolution trained models and parcellations are publicly available ( https://github.com/ThomasYeoLab/CBIG/tree/master/stable_projects/brain_parcellation/Kong2022_ArealMSHBM ).
0

Best Practices in Data Analysis and Sharing in Neuroimaging using MRI

Thomas Nichols et al.May 20, 2016
Neuroimaging enables rich noninvasive measurements of human brain activity, but translating such data into neuroscientific insights and clinical applications requires complex analyses and collaboration among a diverse array of researchers. The open science movement is reshaping scientific culture and addressing the challenges of transparency and reproducibility of research. To advance open science in neuroimaging the Organization for Human Brain Mapping created the Committee on Best Practice in Data Analysis and Sharing (COBIDAS), charged with creating a report that collects best practice recommendations from experts and the entire brain imaging community. The purpose of this work is to elaborate the principles of open and reproducible research for neuroimaging using Magnetic Resonance Imaging (MRI), and then distill these principles to specific research practices. Many elements of a study are so varied that practice cannot be prescribed, but for these areas we detail the information that must be reported to fully understand and potentially replicate a study. For other elements of a study, like statistical modelling where specific poor practices can be identified, and the emerging areas of data sharing and reproducibility, we detail both good practice and reporting standards. For each of seven areas of a study we provide tabular listing of over 100 items to help plan, execute, report and share research in the most transparent fashion. Whether for individual scientists, or for editors and reviewers, we hope these guidelines serve as a benchmark, to raise the standards of practice and reporting in neuroimaging using MRI.
26

Shared and unique brain network features predict cognition, personality and mental health in childhood

Jianzhong Chen et al.Jun 24, 2020
Abstract The manner through which individual differences in brain network organization track population-level behavioral variability is a fundamental question in systems neuroscience. Recent work suggests that resting-state and task-state functional connectivity can predict specific traits at the individual level. However, the focus of most studies on single behavioral traits has come at the expense of capturing broader relationships across behaviors. Here, we utilized a large-scale dataset of 1858 typically developing children to estimate whole-brain functional network organization that is predictive of individual differences in cognition, impulsivity-related personality, and mental health during rest and task states. Predictive network features were distinct across the broad behavioral domains: cognition, personality and mental health. On the other hand, traits within each behavioral domain were predicted by highly similar network features. This is surprising given decades of research emphasizing that distinct brain networks support different mental processes. Although tasks are known to modulate the functional connectome, we found that predictive network features were similar between resting and task states. Overall, our findings reveal shared brain network features that account for individual variation within broad domains of behavior in childhood, yet are unique to different behavioral domains.
0

Shaping Brain Structure: Genetic and Phylogenetic Axes of Macro Scale Organization of Cortical Thickness

Mark Lauckner et al.Feb 10, 2020
Structural and functional characteristics of the cortex systematically vary along global axes as a function of cytoarchitecture, gene expression, and connectivity. The topology of the cerebral cortex has been proposed to be a prerequisite for the emergence of human cognition and explain both the impact and progression of pathology. However, the neurogenetic origin of these organizational axes in humans remains incompletely understood. To address this gap in the literature our current study assessed macro scale cortical organization through an unsupervised machine learning analysis of cortical thickness covariance patterns and used converging methods to evaluate its genetic basis. In a large-scale sample of twins (n=899) we found structural covariance of thickness to be organized along both an anterior-to-posterior and inferior-to-superior axes. We found that both axes showed a high degree of correspondence in pairs of identical twins, suggesting a strong heritable component in humans. Furthermore, comparing these dimensions in macaques and humans highlighted similar organizational principles in both species demonstrating that these axes of cortical organization are phylogenetically conserved within primate species. Finally, we found that in both humans and macaques the inferior-superior dimension of cortical organization was aligned with the predictions of the dual-origin theory, highlighting the possibility that the macroscale organization of primate brain structure is subject to multiple distinct neurodevelopmental trajectories. Together, our study establishes the genetic basis of natural axes in the cerebral cortex along which structure is organized and so provides important insights into the organization of human cognition that will inform both our understanding of how structure guides function and for the progression of pathology in diseases.
0

Bayesian model reveals latent atrophy factors with dissociable cognitive trajectories in Alzheimer's disease

Xiuming Zhang et al.Jul 17, 2016
We employed a data-driven Bayesian model to automatically identify distinct latent factors of overlapping atrophy patterns from voxelwise structural magnetic resonance imaging (MRI) of late-onset Alzheimer's disease (AD) dementia patients. Our approach estimated the extent to which multiple distinct atrophy patterns were expressed within each participant rather than assuming that each participant expressed a single atrophy factor. The model revealed a temporal atrophy factor (medial temporal cortex, hippocampus and amygdala), a subcortical atrophy factor (striatum, thalamus and cerebellum), and a cortical atrophy factor (frontal, parietal, lateral temporal and lateral occipital cortices). To explore the influence of each factor in early AD, atrophy factor compositions were inferred in beta-amyloid-positive (Aβ+) mild cognitively impaired (MCI) and cognitively normal (CN) participants. All three factors were associated with memory decline across the entire clinical spectrum, whereas the cortical factor was associated with executive function decline in Aβ+ MCI participants and AD dementia patients. Direct comparison between factors revealed that the temporal factor showed the strongest association with memory, while the cortical factor showed the strongest association with executive function. The subcortical factor was associated with the slowest decline for both memory and executive function compared to temporal and cortical factors. These results suggest that distinct patterns of atrophy influence decline across different cognitive domains. Quantification of this heterogeneity may enable the computation of individual-level predictions relevant for disease monitoring and customized therapies. Code from this manuscript is publicly available at link_to_be_added.
0

Data-Driven Extraction of a Nested Structure of Human Cognition

Taylor Bolt et al.Feb 2, 2017
Decades of cognitive neuroscience research have revealed two basic facts regarding task-driven brain activation patterns. First, distinct patterns of activation occur in response to different task demands. Second, a superordinate, dichotomous pattern of activation/de-activation, is commonly observed across a variety of task demands. We explore the possibility that a hierarchical model incorporates these two observed brain activation phenomena into a unifying framework. We apply a latent variable approach, exploratory bi-factor analysis, to a large set of brain activation patterns to determine the potential existence of a nested structure of factors that underlies a variety of commonly observed activation patterns. We find that a general factor, associated with a superordinate brain activation/de-activation pattern, explained the majority of the variance (52.37%). The bi-factor analysis also revealed several sub-factors that explained an additional 31.02% of variance in brain activation patterns, associated with different manifestations of the superordinate brain activation/de-activation pattern, each emphasizing different contexts in which the task demands occurred. Importantly, this nested factor structure provided better overall fit to the data compared with a non-nested factor structure model. These results point to domain-general psychological process, representing a 'focused awareness' process or 'attentional episode' that is variously manifested according to the sensory modality of the stimulus and degree of cognitive processing. This novel model provides the basis for constructing a biologically-informed, data-driven taxonomy of psychological processes.
774

Towards Reproducible Brain-Wide Association Studies

Scott Marek et al.Aug 22, 2020
Abstract Magnetic resonance imaging (MRI) continues to drive many important neuroscientific advances. However, progress in uncovering reproducible associations between individual differences in brain structure/function and behavioral phenotypes (e.g., cognition, mental health) may have been undermined by typical neuroimaging sample sizes (median N=25) 1,2 . Leveraging the Adolescent Brain Cognitive Development (ABCD) Study 3 (N=11,878), we estimated the effect sizes and reproducibility of these brain-wide associations studies (BWAS) as a function of sample size. The very largest, replicable brain-wide associations for univariate and multivariate methods were r=0.14 and r=0.34, respectively. In smaller samples, typical for brain-wide association studies (BWAS), irreproducible, inflated effect sizes were ubiquitous, no matter the method (univariate, multivariate). Until sample sizes started to approach consortium-levels, BWAS were underpowered and statistical errors assured. Multiple factors contribute to replication failures 4–6 ; here, we show that the pairing of small brain-behavioral phenotype effect sizes with sampling variability is a key element in wide-spread BWAS replication failure. Brain-behavioral phenotype associations stabilize and become more reproducible with sample sizes of N⪆2,000. While investigator-initiated brain-behavior research continues to generate hypotheses and propel innovation, large consortia are needed to usher in a new era of reproducible human brain-wide association studies.
0

Overlapping attentional networks yield divergent behavioral predictions across tasks: Neuromarkers for diffuse and focused attention?

Esther Wu et al.Jul 24, 2019
Attention is a critical cognitive function, allowing humans to select, enhance, and sustain focus on information of behavioral relevance. Attention contains dissociable neural and psychological components. Nevertheless, some brain networks support multiple attentional functions. Connectome-based Predictive Models (CPM), which associate individual differences in task performance with functional connectivity patterns, provide a compelling example. A sustained attention network model (saCPM) successfully predicted performance for selective attention, inhibitory control, and reading recall tasks. Here we constructed a visual attentional blink (VAB) model (vabCPM), comparing its performance predictions and network edges associated with successful and unsuccessful behavior to the saCPM's. In the VAB, attention devoted to a target often causes a subsequent item to be missed. Although frequently attributed to attentional limitations, VAB deficits may attenuate when participants are distracted or deploy attention diffusely. Participants (n=73; 24 males) underwent fMRI while performing the VAB task and while resting. Outside the scanner, they completed other cognitive tasks over several days. A vabCPM constructed from these data successfully predicted VAB performance. Strikingly, the network edges that predicted better VAB performance (positive edges) predicted worse selective and sustained attention performance, and vice versa. Predictions from the saCPM mirrored these results, with the network's negative edges predicting better VAB performance. Furthermore, the vabCPM's positive edges significantly overlapped with the saCPM's negative edges, and vice versa. We conclude that these partially overlapping networks each have general attentional functions. They may indicate an individual's propensity to diffusely deploy attention, predicting better performance for some tasks and worse for others.