Abstract Human cognition and behaviors depend upon the brain’s functional connectomes, which vary remarkably across individuals. However, whether and how the functional connectome individual variability architecture is structurally constrained remains largely unknown. Using tractography- and morphometry-based network models, we observed the spatial convergence of structural and functional connectome individual variability, with higher variability in heteromodal association regions and lower variability in primary regions. We demonstrated that functional variability is significantly predicted by a unifying structural variability pattern and that this prediction follows a primary-to-heteromodal hierarchical axis, with higher accuracy in primary regions and lower accuracy in heteromodal regions. We further decomposed group-level connectome variability patterns into individual unique contributions and uncovered the structural-functional correspondence that is associated with individual cognitive traits. These results advance our understanding of the structural basis of individual functional variability and suggest the importance of integrating multimodal connectome signatures for individual differences in cognition and behaviors.

Abstract Precise segmentation of infant brain MR images into gray matter (GM), white matter (WM), and cerebrospinal fluid (CSF) are essential for studying neuroanatomical hallmarks of early brain development. However, for 6-month-old infants, the extremely low-intensity contrast caused by inherent myelination hinders accurate tissue segmentation. Existing convolutional neural networks (CNNs) based segmentation models for this task generally employ single-scale symmetric convolutions, which are inefficient for encoding the isointense tissue boundaries in baby brain images. Here, we propose a 3D mixed-scale asymmetric convolutional segmentation network (3D-MASNet) framework for brain MR images of 6-month-old infants. We replaced the traditional convolutional layer of an existing to-be-trained network with a 3D mixed-scale convolution block consisting of asymmetric kernels (MixACB) during the training phase and then equivalently converted it into the original network. Five canonical CNN segmentation models were evaluated using both T1- and T2-weighted images of 23 6-month-old infants from iSeg-2019 datasets, which contained manual labels as ground truth. MixACB significantly enhanced the average accuracy of all five models and obtained the most considerable improvement in the fully convolutional network model (CC-3D-FCN) and the highest performance in the Dense U-Net model. This approach further obtained Dice coefficient accuracies of 0.931, 0.912, and 0.961 in GM, WM, and CSF, respectively, ranking first among 30 teams on the validation dataset of the iSeg-2019 Grand Challenge. Thus, the proposed 3D-MASNet can improve the accuracy of existing CNNs-based segmentation models as a plug-and-play solution that offers a promising technique for future infant brain MRI studies.

Abstract Cortical thinning is an important hallmark of the maturation of brain morphology during childhood and adolescence. However, the connectome-based wiring mechanism that underlies cortical maturation remains unclear. Using neuroimaging, connectome, transcriptome, and computational modeling, we mapped cortical thinning patterns primarily located in lateral frontal and parietal heteromodal nodes during childhood and adolescence, which is structurally constrained by white matter network architecture and is particularly represented using a network-based diffusion model. Furthermore, connectome-based constraints are regionally heterogeneous, with the largest constraints residing in frontoparietal nodes, and are associated with gene expression signatures of microstructural neurodevelopmental events. These results are highly reproducible while using another independent dataset. Our findings advance our understanding of network-level mechanisms and the associated genetic basis that underlies the maturational process of cortical morphology during childhood and adolescence.

The reorganization of human hippocampus, especially its interaction with cortex, remains largely undefined in youth. The organization of a single hippocampal long-axis has been predominantly characterized as monotonic (1-6), despite recent indications of nonmonotonic features in neuron density (7) and geometric eigenmodes (8). While the human cortical hierarchy has been well recognized for significant developmental and evolutionary advantages (9-12), hippocampus has been typically considered an evolutionarily conserved brain structure1 (13,14), and overlooked regarding its integrative role of cortical hierarchical processing during development. Here, we corroborated the presence and significance of a dual long-axis representation of the hippocampal connectome and geometry including both linear and quadratic gradients along its long-axis in youth. This finding was robust across two independent large-scale developmental cohorts. Charting development of the dual long-axis gradients underscored their specific contributions to the cortical hierarchy maturation from the frontoparietal and salience/ventral attention networks. The observed developmental variability in spontaneous brain activities in youth parallels the gradients of myelin content. During childhood through adolescence to early adulthood, the hippocampus reorganized the dual long-axis by gradually relaxing its geometric constraints on the intrinsic network organization of cortical spontaneous activity for refined executive functions. Molecular processes underlying such reorganization of the dual long-axis in hippocampus are linked to neural growth, stress hormone regulation, and neuroactive signaling. Our findings enrich the understanding of hippocampal-cortical reorganizational principles across structural, functional, and molecular dimensions as well as its maturation, and define the plasticity distribution within the human hippocampus at systems level, holding potentials to enhance and translate neurodevelopment and neuropsychiatric healthcare.

Abstract The functional connectome of the human brain comprises time-varying network structure that facilitates efficient inter-module communication and support flexible cognitive functions. However, little is known about how the connectome dynamics of the brain emerges and develops at very early stages of human life and whether this dynamics is predictive of neurocognitive outcomes later in life. Here, we employed resting-state functional MRI data from 39 infants (31 to 42 postmenstrual weeks) and a multilayer network model to characterize the development of connectome dynamics during the third trimester and its critical role in predicting future neurocognitive outcomes at 2 years of age. We observed that the modular architecture of baby functional connectomes spontaneously reconfigures over time, with lower network module switching across time primarily in the primary regions and higher module switching mainly in the association areas. With development, the dynamic switching between the brain modules was significantly decreased, primarily located in the lateral precentral gyrus, medial temporal lobe, and subcortical areas. The clustering analysis further revealed that the primary areas displayed a higher developmental rate than the higher-order systems. Using the support vector regression approach, we found that brain connectome dynamics at birth significantly predicted cognitive and language performance at 2 years of age. Our findings highlight the emergence and spatially inhomogeneous maturation of the neonate connectome dynamics, laying a critical neural foundation for the development of cognitive and language skills later in life.

Susceptibility artifacts (SAs), which are inevitable for modern diffusion brain MR images with single-shot echo planar imaging (EPI) protocols in wide large-scale neuroimaging datasets, severely hamper the accurate detection of the human brain white matter structure. While several conventional and deep-learning based distortion correction methods have been proposed, the correction quality and model generality of these approaches are still limited. Here, we proposed the SACNet, a flexible SAs correction (SAC) framework for brain diffusion MR images of various phase-encoding EPI protocols based on an unsupervised learning-based registration convolutional neural network. This method could generate smooth diffeomorphic warps with optional neuroanatomy guidance to correct both geometric and intensity distortions of SAs. By employing near 2000 brain scans covering neonatal, child, adult and traveling participants, our SACNet consistently demonstrates state-of-the-art correction performance and effectively eliminates SAs-related multicenter effects compared with existing SAC methods. To facilitate the development of standard SAC tools for future neuroimaging studies, we also created easy-to-use command lines incorporating containerization techniques for quick user deployment.

In magnetic resonance imaging (MRI) studies of children brain development, structural brain atlases usually serve as important references of pediatric population in which individual images are spatially normalized into a common or standard stereotactic space. However, the existing popular children brain atlases (e.g., National Institutes of Health pediatric atlases, NIH-PD atlases) are made mostly based on MR images from Western populations, and are thus insufficient to characterize the brains of Chinese children due to the neuroanatomical differences that are relevant to genetic and environmental factors. By collecting high-quality T1- and T2-weighted MR images from 328 typically developing Chinese children aged from 6 to 12 years old, we created a set of age-appropriate Chinese pediatric (CHN-PD) atlases using an unbiased iterative template construction algorithm. The CHN-PD atlases included the head/brain templates, the symmetric brain template, the gender-specific brain templates and the corresponding tissue probability atlases. Moreover, the atlases contained multiple age-specific templates with a one-year interval. A direct comparison of the CHN-PD and the NIH-PD atlases revealed remarkable anatomical differences bilaterally in the lateral frontal and parietal regions and somatosensory cortex. While applying the CHN-PD atlases to two independent Chinese pediatric datasets (N = 114 and N = 71, respectively), machine-learning regression approaches revealed higher prediction accuracy on brain ages than the usage of NIH-PD atlases. These results suggest that the CHN-PD brain atlases are necessary and important for future typical and atypical developmental studies in Chinese pediatric population. Currently, the CHN-PD atlases have been released on the NITRC website (https://www.nitrc.org/projects/chn-pd).

During the 3rd trimester, large-scale of neural circuits are formed in the human brain, resulting in the adult-like brain networks at birth. However, how the brain circuits develop into a highly efficient and segregated connectome during this period is unknown. We hypothesized that faster increases of connectivity efficiency and strength at the brain hubs and rich-club are critical for emergence of an efficient and segregated brain connectome. Here, using high resolution diffusion MRI of 77 preterm-born and term-born neonates scanned at 31-42 postmenstrual weeks (PMW), we constructed the structural connectivity matrices and performed graph-theory-based analyses. We found faster increases of nodal efficiency mainly at the brain hubs, distributed in primary sensorimotor regions, superior-middle frontal and posterior cingulate gyrus during 31-42 PMW. The rich-club and within-module connections were characterized by higher rates of edge strength increases. Edge strength of short-range connections increased faster than that of long-range connections. The nodal efficiencies of the hubs predicted individual postmenstrual ages more accurately than those of non-hubs. Collectively, these findings revealed regionally differentiated maturation in the baby brain structural connectome and more rapid increases of the hub and rich-club connections, which underlie network segregation and differentiated brain function emergence.

Abstract Functional brain networks require dynamic reconfiguration to support flexible cognitive function. However, the developmental principles shaping brain network dynamics remain poorly understood. Here, we report the longitudinal development of large-scale brain network dynamics during childhood and adolescence, and its connection with gene expression profiles. Using a multilayer network model, we show the temporally varying modular architecture of child brain networks, with higher network switching primarily in the association cortex and lower switching in the primary regions. This topographical profile exhibits progressive maturation, which manifests as reduced modular dynamics, particularly in the transmodal (e.g., default-mode and frontoparietal) and sensorimotor regions. These developmental refinements mediate age-related enhancements of global network segregation and are linked with the expression profiles of genes associated with the enrichment of ion transport and nucleobase-containing compound transport. These results highlight a progressive stabilization of brain dynamics, which expand our understanding of the neural mechanisms that underlie cognitive development.

Abstract Human brain connectomes include sets of densely connected regions, known as connectome hubs, which play a vital role in understanding global brain communication, cognitive processing, and brain disorders. However, the consistency and reproducibility of functional connectome hubs’ anatomical localization have not been established to date and the genetic signatures underlying robust connectome hubs remain unknown. Here, we conduct the first worldwide, harmonized meta-connectomic analysis by pooling resting-state functional MRI data of 5,212 healthy young adults across 61 independent cohorts. We identify highly consistent and reproducible functional connectome hubs in heteromodal and unimodal regions both across cohorts and across individuals. These connectome hubs show heterogeneous connectivity profiles and are critical for both intra- and inter-network communications. Using post-mortem gene expression data, we show that these connectome hubs have a spatiotemporally distinctive transcriptomic pattern dominated by genes involved in the neuropeptide signaling pathway, neurodevelopmental processes, and metabolic processes. These results highlight the robustness of macroscopic connectome hubs and their potential cellular and molecular underpinnings.