Abstract The Developing Human Connectome Project (dHCP) is an Open Science project which provides the first large sample of neonatal functional MRI (fMRI) data with high temporal and spatial resolution. This data enables mapping of intrinsic functional connectivity between spatially distributed brain regions under normal and adverse perinatal circumstances, offering a framework to study the ontogeny of large-scale brain organisation in humans. Here, we characterise in unprecedented detail the maturation and integrity of resting-state networks (RSNs) at normal term age in 337 infants (including 65 born preterm). First, we applied group independent component analysis (ICA) to define 11 RSNs in term-born infants scanned at 43.5-44.5 weeks postmenstrual age (PMA). Adult-like topography was observed in RSNs encompassing primary sensorimotor, visual and auditory cortices. Among six higher-order, association RSNs, analogues of the adult networks for language and ocular control were identified, but a complete default mode network precursor was not. Next, we regressed the subject-level datasets from an independent cohort of infants scanned at 37-43.5 weeks PMA against the group-level RSNs to test for the effects of age, sex and preterm birth. Brain mapping in term-born infants revealed areas of positive association with age across four of six association RSNs, indicating active maturation in functional connectivity from 37 to 43.5 weeks PMA. Female infants showed increased connectivity in inferotemporal regions of the visual association network. Preterm birth was associated with striking impairments of functional connectivity across all RSNs in a dose-dependent manner; conversely, connectivity of the superior parietal lobules within the lateral motor network was abnormally increased in preterm infants, suggesting a possible mechanism for specific difficulties such as developmental coordination disorder which occur frequently in preterm children. Overall, we find a robust, modular, symmetrical functional brain organisation at normal term age. A complete set of adult-equivalent primary RSNs is already instated, alongside emerging connectivity in immature association RSNs, consistent with a primary-to-higher-order ontogenetic sequence of brain development. The early developmental disruption imposed by preterm birth is associated with extensive alterations in functional connectivity.

Abstract The developing Human Connectome Project (dHCP) aims to create a detailed 4-dimensional connectome of early life spanning 20 to 45 weeks post-menstrual age. This is being achieved through the acquisition of multi-modal MRI data from over 1000 in- and ex-utero subjects combined with the development of optimised pre-processing pipelines. In this paper we present an automated and robust pipeline to minimally pre-process highly confounded neonatal resting-state fMRI data, robustly, with low failure rates and high quality-assurance. The pipeline has been designed to specifically address the challenges that neonatal data presents including low and variable contrast and high levels of head motion. We provide a detailed description and evaluation of the pipeline which includes integrated slice-to-volume motion correction and dynamic susceptibility distortion correction, a robust multimodal registration approach, bespoke ICA-based denoising, and an automated QC framework. We assess these components on a large cohort of dHCP subjects and demonstrate that processing refinements integrated into the pipeline provide substantial reduction in movement related distortions, resulting in significant improvements in SNR, and detection of high quality RSNs from neonates. Highlights An automated and robust pipeline to minimally pre-process highly confounded neonatal fMRI data Includes integrated dynamic distortion and slice-to-volume motion correction A robust multimodal registration approach which includes custom neonatal templates Incorporates an automated and self-reporting QC framework to quantify data quality and identify issues for further inspection Data analysis of 538 infants imaged at 26-45 weeks post-menstrual age

Abstract In the mature brain, structural and functional connectivity ‘fingerprints’ can be used to identify the uniqueness of an individual. However, whether the characteristics that make a brain distinguishable from others already exist at birth remains unknown. Here, we used neuroimaging data of preterm born neonates who were scanned twice during the perinatal period to assess the developing brain fingerprint. We found that 62% of the participants could be identified based on the congruence of the later structural connectome to the initial connectivity matrix derived from the earlier timepoint. In contrast, similarity between functional connectomes only allowed to identify 12% of the participants. These suggests that structural connectivity is more stable in early life and can represent a potential connectome fingerprint. Thus, a relatively stable structural connectome appears to support a changing functional connectome at a time when neonates must rapidly acquire new skills to adapt to their new environment.

Abstract In fetal MRI, automated localisation of the fetal brain or trunk is a prerequisite for motion correction methods. However, the existing CNN-based solutions are prone to errors and may require manual editing. In this work, we propose to combine a multi-label 3D UNet with a GAN discriminator for localisation of both fetal brain and trunk in fetal MRI stacks. The proposed method is robust for datasets with both full and partial coverage of the fetal body.

Abstract The development of perinatal brain connectivity underpins motor, cognitive and behavioural abilities in later life. Diffusion MRI allows the characterisation of subtle inter-individual differences in structural brain connectivity. Individual brain connectivity maps (connectomes) are by nature high in dimensionality and are complex to interpret. Machine learning methods are a powerful tool to uncover properties of the connectome which are not readily visible, and can give us clues as to how and why individual developmental trajectories differ. In this manuscript we used Deep Neural Networks and Random Forests to predict demographic and neurodevelopmental characteristics from neonatal structural connectomes in a large sample of babies (n = 524) from the developing Human Connectome Project. We achieved an accurate prediction of post menstrual age (PMA) at scan in term-born infants (Mean absolute error (MAE) = 0.72 weeks, r = 0.83 and p<0.001). We also achieved good accuracy when predicting gestational age at birth in a cohort of term and preterm babies scanned at term equivalent age (MAE = 2.21 weeks, r = 0.82, p<0.001). We subsequently used sensitivity analysis to obtain feature relevance from our prediction models, with the most important connections for prediction of PMA and GA found to be predominantly thalamocortical. From our models of PMA at scan for infants born at term, we computed a brain maturation index ( predicted age minus actual age ) of individual preterm neonates and found a significant correlation between this index and motor outcome at 18 months corrected age. Our results demonstrate the applicability of machine learning techniques in analyses of the neonatal connectome, and suggest that a neural substrate for later developmental outcome is detectable at term equivalent age.

Abstract Brain dynamic functional connectivity characterises transient connections between brain regions, changing over time. Features of brain dynamics have been linked to emotion and cognition in adult individuals, and atypical patterns have been associated with neurodevelopmental conditions such as autism. Although reliable functional brain networks have been consistently identified in neonates, little is known about the early development of dynamic functional connectivity. In this study we characterise dynamic functional connectivity with functional magnetic resonance imaging (fMRI) in the first few weeks of postnatal life in term-born ( n = 324) and preterm-born ( n = 66) individuals. We show that a dynamic landscape of brain connectivity is already established by the time of birth in the human brain, characterised by six transient states of neonatal functional connectivity with changing dynamics through the neonatal period. The pattern of dynamic connectivity is atypical in preterm-born infants, and associated with atypical social, sensory, and repetitive behaviours measured by the Quantitative Checklist for Autism in Toddlers (Q-CHAT) scores at 18 months of age.

Abstract Formation of the functional connectome in early life underpins future learning and behaviour. However, our understanding of how the functional organisation of brain regions into interconnected hubs (centrality) matures in the early postnatal period is limited, especially in response to factors associated with adverse neurodevelopmental outcomes such as preterm birth. We characterised voxel-wise functional centrality (weighted degree) in 366 neonates from the Developing Human Connectome Project. We tested the hypothesis that functional centrality matures with age at scan in term-born babies and is disrupted by preterm birth. Finally, we asked whether neonatal functional centrality predicts general neurodevelopmental outcomes at 18 months. We report an age-related increase in functional centrality predominantly within visual regions and decrease within motor and auditory regions in term-born infants. Preterm-born infants scanned at term equivalent age had higher functional centrality predominantly within visual regions and lower measures in motor regions. Functional centrality was not related to outcome at 18 months old. Thus, preterm birth appears to affect functional centrality in regions undergoing substantial development during the perinatal period. Our work raises the question of whether these alterations are adaptive or disruptive, and whether they predict neurodevelopmental characteristics that are more subtle or emerge later in life.

Abstract Introduction The dynamic nature and complexity of the cellular events that take place during the last trimester of pregnancy make the developing cortex particularly vulnerable to perturbations. Abrupt interruption to normal gestation can lead to significant deviations to many of these processes, resulting in atypical trajectory of cortical maturation in preterm birth survivors. Methods We sought to first map typical cortical micro and macrostructure development using invivo MRI in a large sample of healthy term-born infants scanned after birth (n=270). Then we offer a comprehensive characterisation of the cortical consequences of preterm birth in 78 preterm infants scanned at term-equivalent age (37-44 weeks postmenstrual age). We describe the group-average atypicality, the heterogeneity across individual preterm infants, and relate individual deviations from normative development to age at birth and neurodevelopment at 18 months. Results In the term-born neonatal brain, we observed regionally specific age-associated changes in cortical morphology and microstructure, including rapid surface expansion, cortical thickness increase, reduction in cortical anisotropy and increase in neurite orientation dispersion. By term-equivalent age, preterm infants had on average increased cortical tissue water content and reduced neurite density index in the posterior parts of the cortex, and greater cortical thickness anteriorly compared to term-born infants. While individual preterm infants were more likely to show extreme deviations (over 3.1 standard deviations) from normative cortical maturation compared to term-born infants, these extreme deviations were highly variable and showed very little spatial overlap between individuals. Measures of regional cortical development were associated with age at birth, but not with neurodevelopment at 18 months. Conclusion We showed that preterm birth alters cortical micro and macrostructural maturation near the time of fullterm birth. Deviations from normative development were highly variable between individual preterm infants.

ABSTRACT Structural and diffusion MRI provide complimentary anatomical and microstructural characterization of early brain maturation. The existing models of the developing brain in time include only either structural or diffusion channels. Furthermore, there is a lack of tools for combined analysis of structural and diffusion MRI in the same reference space. In this work we propose methodology to generate multi-channel (MC) continuous spatio-temporal parametrized atlas of brain development based on MC registration driven by both T2-weighted and orientation distribution functions (ODF) channels along with the Gompertz model (GM) fitting of the signals and spatial transformations in time. We construct a 4D MC atlas of neonatal brain development during 38 to 44 week PMA range from 170 normal term subjects from developing Human Connectomme Project. The resulting atlas consists of fourteen spatio-temporal microstructural indices and two parcellation maps delineating white matter tracts and neonatal transient structures. We demonstrate applicability of the atlas for quantitative region-specific comparison of 140 term and 40 preterm subjects scanned at the term-equivalent age. We show multi-parametric microstructural differences in multiple white matter regions, including the transient compartments. The atlas and software will be available after publication of the article.

ABSTRACT A key feature of the fetal period is the rapid emergence of organised patterns of spontaneous brain activity. However, characterising this process in utero using functional MRI is inherently challenging and requires analytical methods which can capture the constituent developmental transformations. Here, we introduce a novel analytical framework, termed “maturational networks” (matnets), that achieves this by modelling functional networks as an emerging property of the developing brain. Compared to standard network analysis methods that assume consistent patterns of connectivity across development, our method incorporates age-related changes in connectivity directly into network estimation. We test its performance in a large neonatal sample, finding that the matnets approach characterises adult-like features of functional network architecture with a greater specificity than a standard group-ICA approach; for example, our approach is able to identify a nearly complete default mode network. In the in-utero brain, matnets enables us to reveal the richness of emerging functional connections and the hierarchy of their maturational relationships with remarkable anatomical specificity. We show that the associative areas play a central role within prenatal functional architecture, therefore indicating that functional connections of high-level associative areas start emerging prior to exposure to the extra-utero environment.