The UK Biobank combines detailed phenotyping and genotyping with tracking of long-term health outcomes in a large cohort. This study describes the recently launched brain-imaging component that will ultimately scan 100,000 individuals. Results from the first 5,000 subjects are reported, including thousands of associations, population modes and hypothesis-driven results. Medical imaging has enormous potential for early disease prediction, but is impeded by the difficulty and expense of acquiring data sets before symptom onset. UK Biobank aims to address this problem directly by acquiring high-quality, consistently acquired imaging data from 100,000 predominantly healthy participants, with health outcomes being tracked over the coming decades. The brain imaging includes structural, diffusion and functional modalities. Along with body and cardiac imaging, genetics, lifestyle measures, biological phenotyping and health records, this imaging is expected to enable discovery of imaging markers of a broad range of diseases at their earliest stages, as well as provide unique insight into disease mechanisms. We describe UK Biobank brain imaging and present results derived from the first 5,000 participants' data release. Although this covers just 5% of the ultimate cohort, it has already yielded a rich range of associations between brain imaging and other measures collected by UK Biobank.

Many sources of fluctuation contribute to the fMRI signal, and this makes identifying the effects that are truly related to the underlying neuronal activity difficult. Independent component analysis (ICA) – one of the most widely used techniques for the exploratory analysis of fMRI data – has shown to be a powerful technique in identifying various sources of neuronally-related and artefactual fluctuation in fMRI data (both with the application of external stimuli and with the subject “at rest”). ICA decomposes fMRI data into patterns of activity (a set of spatial maps and their corresponding time series) that are statistically independent and add linearly to explain voxel-wise time series. Given the set of ICA components, if the components representing “signal” (brain activity) can be distinguished form the “noise” components (effects of motion, non-neuronal physiology, scanner artefacts and other nuisance sources), the latter can then be removed from the data, providing an effective cleanup of structured noise. Manual classification of components is labour intensive and requires expertise; hence, a fully automatic noise detection algorithm that can reliably detect various types of noise sources (in both task and resting fMRI) is desirable. In this paper, we introduce FIX (“FMRIB's ICA-based X-noiseifier”), which provides an automatic solution for denoising fMRI data via accurate classification of ICA components. For each ICA component FIX generates a large number of distinct spatial and temporal features, each describing a different aspect of the data (e.g., what proportion of temporal fluctuations are at high frequencies). The set of features is then fed into a multi-level classifier (built around several different classifiers). Once trained through the hand-classification of a sufficient number of training datasets, the classifier can then automatically classify new datasets. The noise components can then be subtracted from (or regressed out of) the original data, to provide automated cleanup. On conventional resting-state fMRI (rfMRI) single-run datasets, FIX achieved about 95% overall accuracy. On high-quality rfMRI data from the Human Connectome Project, FIX achieves over 99% classification accuracy, and as a result is being used in the default rfMRI processing pipeline for generating HCP connectomes. FIX is publicly available as a plugin for FSL.

Resting-state functional magnetic resonance imaging (rfMRI) allows one to study functional connectivity in the brain by acquiring fMRI data while subjects lie inactive in the MRI scanner, and taking advantage of the fact that functionally related brain regions spontaneously co-activate. rfMRI is one of the two primary data modalities being acquired for the Human Connectome Project (the other being diffusion MRI). A key objective is to generate a detailed in vivo mapping of functional connectivity in a large cohort of healthy adults (over 1000 subjects), and to make these datasets freely available for use by the neuroimaging community. In each subject we acquire a total of 1h of whole-brain rfMRI data at 3 T, with a spatial resolution of 2×2×2 mm and a temporal resolution of 0.7s, capitalizing on recent developments in slice-accelerated echo-planar imaging. We will also scan a subset of the cohort at higher field strength and resolution. In this paper we outline the work behind, and rationale for, decisions taken regarding the rfMRI data acquisition protocol and pre-processing pipelines, and present some initial results showing data quality and example functional connectivity analyses.

The identification of resting state networks (RSNs) and the quantification of their functional connectivity in resting-state fMRI (rfMRI) are seriously hindered by the presence of artefacts, many of which overlap spatially or spectrally with RSNs. Moreover, recent developments in fMRI acquisition yield data with higher spatial and temporal resolutions, but may increase artefacts both spatially and/or temporally. Hence the correct identification and removal of non-neural fluctuations is crucial, especially in accelerated acquisitions. In this paper we investigate the effectiveness of three data-driven cleaning procedures, compare standard against higher (spatial and temporal) resolution accelerated fMRI acquisitions, and investigate the combined effect of different acquisitions and different cleanup approaches. We applied single-subject independent component analysis (ICA), followed by automatic component classification with FMRIB's ICA-based X-noiseifier (FIX) to identify artefactual components. We then compared two first-level (within-subject) cleaning approaches for removing those artefacts and motion-related fluctuations from the data. The effectiveness of the cleaning procedures was assessed using time series (amplitude and spectra), network matrix and spatial map analyses. For time series and network analyses we also tested the effect of a second-level cleaning (informed by group-level analysis). Comparing these approaches, the preferable balance between noise removal and signal loss was achieved by regressing out of the data the full space of motion-related fluctuations and only the unique variance of the artefactual ICA components. Using similar analyses, we also investigated the effects of different cleaning approaches on data from different acquisition sequences. With the optimal cleaning procedures, functional connectivity results from accelerated data were statistically comparable or significantly better than the standard (unaccelerated) acquisition, and, crucially, with higher spatial and temporal resolution. Moreover, we were able to perform higher dimensionality ICA decompositions with the accelerated data, which is very valuable for detailed network analyses.

UK Biobank is a large-scale prospective epidemiological study with all data accessible to researchers worldwide. It is currently in the process of bringing back 100,000 of the original participants for brain, heart and body MRI, carotid ultrasound and low-dose bone/fat x-ray. The brain imaging component covers 6 modalities (T1, T2 FLAIR, susceptibility weighted MRI, Resting fMRI, Task fMRI and Diffusion MRI). Raw and processed data from the first 10,000 imaged subjects has recently been released for general research access. To help convert this data into useful summary information we have developed an automated processing and QC (Quality Control) pipeline that is available for use by other researchers. In this paper we describe the pipeline in detail, following a brief overview of UK Biobank brain imaging and the acquisition protocol. We also describe several quantitative investigations carried out as part of the development of both the imaging protocol and the processing pipeline.

There is strong evidence of brain-related abnormalities in COVID-191-13. However, it remains unknown whether the impact of SARS-CoV-2 infection can be detected in milder cases, and whether this can reveal possible mechanisms contributing to brain pathology. Here we investigated brain changes in 785 participants of UK Biobank (aged 51-81 years) who were imaged twice using magnetic resonance imaging, including 401 cases who tested positive for infection with SARS-CoV-2 between their two scans-with 141 days on average separating their diagnosis and the second scan-as well as 384 controls. The availability of pre-infection imaging data reduces the likelihood of pre-existing risk factors being misinterpreted as disease effects. We identified significant longitudinal effects when comparing the two groups, including (1) a greater reduction in grey matter thickness and tissue contrast in the orbitofrontal cortex and parahippocampal gyrus; (2) greater changes in markers of tissue damage in regions that are functionally connected to the primary olfactory cortex; and (3) a greater reduction in global brain size in the SARS-CoV-2 cases. The participants who were infected with SARS-CoV-2 also showed on average a greater cognitive decline between the two time points. Importantly, these imaging and cognitive longitudinal effects were still observed after excluding the 15 patients who had been hospitalised. These mainly limbic brain imaging results may be the in vivo hallmarks of a degenerative spread of the disease through olfactory pathways, of neuroinflammatory events, or of the loss of sensory input due to anosmia. Whether this deleterious effect can be partially reversed, or whether these effects will persist in the long term, remains to be investigated with additional follow-up.

Adolescent-onset schizophrenia provides an exceptional opportunity to explore the neuropathology of schizophrenia free from the potential confounds of prolonged periods of medication and disease interactions with age-related neurodegeneration. Our aim was to investigate structural grey and white matter abnormalities in adolescent-onset schizophrenia. Whole-brain voxel-wise investigation of both grey matter topography and white matter integrity (Fractional Anisotropy) were carried out on 25 adolescent-onset schizophrenic patients and 25 healthy adolescents. We employed a refined voxel-based morphometry-like approach for grey matter analysis and the recently introduced method of tract-based spatial statistics (TBSS) for white matter analysis. Both kinds of studies revealed widespread abnormalities characterized by a lower fractional anisotropy neuroanatomically associated with localized reduced grey matter in the schizophrenic group. The grey matter changes can either be interpreted as the result of a locally reduced cortical thickness or as a manifestation of different patterns of gyrification. There was a widespread reduction of anisotropy in the white matter, especially in the corpus callosum. We speculate that the anisotropy changes relate to the functional changes in brain connectivity that are thought to play a central role in the clinical expression of the disease. The distribution of grey matter changes was consistent with clinical features of the disease. For example, grey and white matter abnormalities found in the Heschl's gyrus, the parietal operculum, left Broca's area and the left arcuate fasciculus (similar to previous findings in adult-onset schizophrenia) are likely to relate to functional impairments of language and auditory perception. In addition, in contrast to earlier studies, we found striking abnormalities in the primary sensorimotor and premotor cortices and in white matter tracts susbserving motor control (mainly the pyramidal tract). This novel finding suggests a new potential marker of altered white matter maturation specific to adolescent-onset schizophrenia. Together, our observations suggest that the neuropathology of adolescent-onset schizophrenia involves larger and widespread changes than in the adult form, consistent with the greater clinical severity.

The genetic architecture of brain structure and function is largely unknown. To investigate this, we carried out genome-wide association studies of 3,144 functional and structural brain imaging phenotypes from UK Biobank (discovery dataset 8,428 subjects). Here we show that many of these phenotypes are heritable. We identify 148 clusters of associations between single nucleotide polymorphisms and imaging phenotypes that replicate at P < 0.05, when we would expect 21 to replicate by chance. Notable significant, interpretable associations include: iron transport and storage genes, related to magnetic susceptibility of subcortical brain tissue; extracellular matrix and epidermal growth factor genes, associated with white matter micro-structure and lesions; genes that regulate mid-line axon development, associated with organization of the pontine crossing tract; and overall 17 genes involved in development, pathway signalling and plasticity. Our results provide insights into the genetic architecture of the brain that are relevant to neurological and psychiatric disorders, brain development and ageing. Genome-wide association studies of brain imaging data from 8,428 individuals in UK Biobank show that many of the 3,144 traits studied are heritable, and genes associated with individual phenotypes are identified.

Though mild cognitive impairment is an intermediate clinical state between healthy aging and Alzheimer's disease (AD), there are very few whole-brain voxel-wise diffusion MRI studies directly comparing changes in healthy control, mild cognitive impairment (MCI) and AD subjects. Here we report whole-brain findings from a comprehensive study of diffusion tensor indices and probabilistic tractography obtained in a very large population of healthy controls, MCI and probable AD subjects. As expected from the literature, all diffusion indices converged to show that the cingulum bundle, the uncinate fasciculus, the entire corpus callosum and the superior longitudinal fasciculus are the most affected white matter tracts in AD. Significant differences between MCI and AD were essentially confined to the corpus callosum. More importantly, we introduce for the first time in a degenerative disorder an application of a recently developed tensor index, the "mode" of anisotropy, as well as probabilistic crossing-fibre tractography. The mode of anisotropy specifies the type of anisotropy as a continuous measure reflecting differences in shape of the diffusion tensor ranging from planar (e.g., in regions of crossing fibres from two fibre populations of similar density or regions of "kissing" fibres) to linear (e.g., in regions where one fibre population orientation predominates), while probabilistic crossing-fibre tractography allows to accurately trace pathways from a crossing-fibre region. Remarkably, when looking for whole-brain diffusion differences between MCI patients and healthy subjects, the only region with significant abnormalities was a region of crossing fibres in the centrum semiovale, showing an increased mode of anisotropy. The only white matter region demonstrating a significant difference in correlations between neuropsychological scores and a diffusion measure (mode of anisotropy) across the three groups was the same region of crossing fibres. Further examination using probabilistic tractography established explicitly and quantitatively that this previously unreported increase of mode and co-localised increase of fractional anisotropy was explained by a relative preservation of motor-related projection fibres (at this early stage of the disease) crossing the association fibres of the superior longitudinal fasciculus. These findings emphasise the benefit of looking at the more complex regions in which spared and affected pathways are crossing to detect very early alterations of the white matter that could not be detected in regions consisting of one fibre population only. Finally, the methods used in this study may have general applicability for other degenerative disorders and, beyond the clinical sphere, they could contribute to a better quantification and understanding of subtle effects generated by normal processes such as visuospatial attention or motor learning.

We present a practical "how-to" guide to help determine whether single-subject fMRI independent components (ICs) characterise structured noise or not. Manual identification of signal and noise after ICA decomposition is required for efficient data denoising: to train supervised algorithms, to check the results of unsupervised ones or to manually clean the data. In this paper we describe the main spatial and temporal features of ICs and provide general guidelines on how to evaluate these. Examples of signal and noise components are provided from a wide range of datasets (3T data, including examples from the UK Biobank and the Human Connectome Project, and 7T data), together with practical guidelines for their identification. Finally, we discuss how the data quality, data type and preprocessing can influence the characteristics of the ICs and present examples of particularly challenging datasets.