Abstract Maternal brain adaptations occur in response to pregnancy, but little is known about how parity impacts white matter (WM) and WM ageing trajectories later in life. Utilising global and regional brain-age prediction based on multi-shell diffusion MRI data, we investigated the association between previous childbirths and WM brain age in 8,895 women in the UK Biobank cohort (age range = 54 - 81 years). The results showed that number of previous childbirths was negatively associated with WM brain age, potentially indicating a protective effect of parity on brain WM later in life. Both global WM and grey matter brain age estimates showed unique contributions to the association with previous childbirths, suggesting partly independent processes. Corpus callosum contributed uniquely to the global WM association with previous childbirths, and showed a stronger relationship relative to several other tracts. While our findings demonstrate a link between reproductive history and brain WM characteristics later in life, longitudinal studies are required to establish causality and determine how parity may influence women’s WM trajectories across the lifespan.

Abstract Unveiling the details of white matter (WM) maturation throughout ageing is a fundamental question for understanding the ageing brain. In an extensive comparison of brain age predictions and age- associations of WM features from different diffusion approaches, we analysed UK Biobank diffusion Magnetic Resonance Imaging (dMRI) data across midlife and older age ( N = 35,749, 44.6 to 82.8 years of age). Conventional and advanced dMRI approaches were consistent in predicting brain age. WM-age associations indicate a steady microstructure degeneration with increasing age from midlife to older ages. Brain age was estimated best when combining diffusion approaches, showing different aspects of WM contributing to brain age. Fornix was found as the central region for brain age predictions across diffusion approaches in complement to forceps minor as another important region. These regions exhibited a general pattern of positive associations with age for intra axonal water fractions, axial, radial diffusivities and negative relationships with age for mean diffusivities, fractional anisotropy, kurtosis. We encourage the application of multiple dMRI approaches for detailed insights into WM, and the further investigation of fornix and forceps as potential biomarkers of brain age and ageing.

ABSTRACT The human brain demonstrates structural and functional asymmetries which have implications for ageing and mental and neurological disease development. We used a set of magnetic resonance imaging (MRI) metrics derived from structural and diffusion MRI data in N =48,040 UK Biobank participants to evaluate age-related differences in brain asymmetry. Most regional grey and white matter metrics presented asymmetry, which were higher later in life. Informed by these results, we conducted hemispheric brain age (HBA) predictions from left/right multimodal MRI metrics. HBA was concordant to conventional brain age predictions, using metrics from both hemispheres, but offers a supplemental general marker of brain asymmetry when setting left/right HBA into relationship with each other. In contrast to WM brain asymmetries, left/right discrepancies in HBA are lower at higher ages. Our findings outline various sex-specific differences, particularly important for brain age estimates, and the value of further investigating the role of brain asymmetries in brain ageing and disease development.

Different types of early-life adversity have been associated with childrens brain structure and function. However, understanding the disparate influence of distinct adversity exposures on the developing brain remains a major challenge. This study investigates the neural correlates of 10 robust dimensions of early-life adversity identified through exploratory factor analysis in a large community sample of youth from the Adolescent Brain Cognitive Development (ABCD) Study. Brain age models were trained, validated, and tested separately on T1-weighted (T1; N = 9524), diffusion tensor (DTI; N = 8834), and resting-state functional (rs-fMRI; N = 8233) magnetic resonance imaging (MRI) data from two time points (mean age = 10.7 years, SD = 1.2, range = 8.9-13.8 years). Bayesian multilevel modelling supported distinct associations between different types of early-life adversity exposures and younger- and older-looking brains. Dimensions generally related to emotional neglect, such as lack of primary and secondary caregiver support, and lack of caregiver supervision, were associated with lower brain age gaps (BAGs), i.e., younger-looking brains. In contrast, dimensions generally related to caregiver psychopathology, trauma exposure, family aggression, substance use and separation from biological parent, and socio-economic disadvantage and neighbourhood safety were associated with higher BAGs, i.e., older-looking brains. The findings suggest that dimensions of early-life adversity are differentially associated with distinct neurodevelopmental patterns, indicative of dimension-specific delayed and accelerated brain maturation.

BackgroundDifferent types of early-life adversity have been associated with children's brain structure and function. However, understanding the disparate influence of distinct adversity exposures on the developing brain remains a major challenge.MethodsThis study investigates the neural correlates of 10 robust dimensions of early-life adversity identified through exploratory factor analysis in a large community sample of youth from the Adolescent Brain Cognitive Development (ABCD) Study. Brain age models were trained, validated, and tested separately on T1-weighted (T1; N = 9524), diffusion tensor (DTI; N = 8834), and resting-state functional (rs-fMRI; N = 8233) magnetic resonance imaging (MRI) data from two time points (mean age = 10.7 years, SD = 1.2, range = 8.9-13.8 years).ResultsBayesian multilevel modelling supported distinct associations between different types of early-life adversity exposures and younger- and older-looking brains. Dimensions generally related to emotional neglect, such as lack of primary and secondary caregiver support, and lack of caregiver supervision, were associated with lower brain age gaps (BAGs), i.e., younger-looking brains. In contrast, dimensions generally related to caregiver psychopathology, trauma exposure, family aggression, substance use and separation from biological parent, and socio-economic disadvantage and neighbourhood safety were associated with higher BAGs, i.e., older-looking brains.ConclusionsThe findings suggest that dimensions of early-life adversity are differentially associated with distinct neurodevelopmental patterns, indicative of dimension-specific delayed and accelerated brain maturation.

Abstract The macro- and microstructural architecture of human brain white matter undergoes substantial alterations throughout development and ageing. Most of our understanding of the spatial and temporal characteristics of these lifespan adaptations come from magnetic resonance imaging (MRI), including diffusion MRI (dMRI), which enables visualisation and quantification of brain white matter with unprecedented sensitivity and detail. However, with some notable exceptions, previous studies have relied on cross-sectional designs, limited age ranges, and diffusion tensor imaging (DTI) based on conventional single-shell dMRI. In this mixed cross-sectional and longitudinal study (mean interval: 15.2 months) including 702 multi-shell dMRI datasets, we combined complementary dMRI models to investigate age trajectories in healthy individuals aged 18 to 94 years (57.12% women). Using linear mixed effect models and machine learning based brain age prediction, we assessed the age-dependence of diffusion metrics, and compared the age prediction accuracy of six different diffusion models, including diffusion tensor (DTI) and kurtosis imaging (DKI), neurite orientation dispersion and density imaging (NODDI), restriction spectrum imaging (RSI), spherical mean technique multi-compartment (SMT-mc), and white matter tract integrity (WMTI). The results showed that the age slopes for conventional DTI metrics (fractional anisotropy [FA], mean diffusivity [MD], axial diffusivity [AD], radial diffusivity [RD]) were largely consistent with previous research, and that the highest performing advanced dMRI models showed comparable age prediction accuracy to conventional DTI. Linear mixed effects models and Wilk’s theorem analysis showed that the ‘FA fine’ metric of the RSI model and ‘orientation dispersion’ (OD) metric of the NODDI model showed the highest sensitivity to age. The results indicate that advanced diffusion models (DKI, NODDI, RSI, SMT mc, WMTI) provide sensitive measures of age-related microstructural changes of white matter in the brain that complement and extend the contribution of conventional DTI.

Abstract Background Several lines of research suggest that impairments in long-term potentiation (LTP)-like synaptic plasticity might be a key pathophysiological mechanism in schizophrenia (SZ) and bipolar disorder type I (BDI) and II (BDII). Using modulations of visually evoked potentials (VEP) of the electroencephalogram, impaired LTP-like visual cortical plasticity has been implicated in patients with BDII, while there has been conflicting evidence in SZ, a lack of research in BDI, and mixed results regarding associations with symptom severity, mood states, and medication. Methods We measured the VEP of patients with SZ spectrum disorders (n=31), BDI (n=34), BDII (n=33), and other BD spectrum disorders (n=2), and age-matched healthy control participants (n=200) before and after prolonged visual stimulation. Results Compared to healthy controls, modulation of VEP component N1b, but not C1 or P1, was impaired both in patients within the SZ spectrum (χ 2 =35.1, p=3.1×10 −9 ) and BD spectrum (χ 2 =7.0, p=8.2×10 −3 ), including BDI (χ 2 =6.4, p=0.012), but not BDII (χ 2 =2.2, p=0.14). N1b modulation was also more severely impaired in SZ spectrum than BD spectrum patients (χ 2 =14.2, p=1.7×10 −4 ). The reduction in N1b modulation was related to PANSS total scores (χ 2 =10.8, p=1.0×10 −3 ), and nominally to number of psychotic episodes (χ 2 =4.9, p=0.027). Conclusions. These results suggest that LTP-like plasticity is impaired in SZ and BDI, but not BDII, and related to psychotic symptom severity. Adding to previous genetic, pharmacological, and anatomical evidence, these results implicate aberrant synaptic plasticity as a mechanism underlying SZ and BD.

Abstract Intracranial volume (ICV) is frequently used in volumetric brain magnetic resonance imaging (MRI) studies, both as an adjustment factor for head size and as a variable of interest. Associations with age have been reported in both longitudinal and cross-sectional studies, but results have varied, potentially due to differences in ICV estimation methods. Here, we compared five commonly used ICV estimation methods and their cross-sectional and longitudinal associations with age. T1-weighted cross-sectional MRI data was included for 651 healthy individuals recruited through the NORMENT Centre (mean age = 46.1 years, range = 12.0-85.8 years) and 2,410 healthy individuals recruited through the UK Biobank study (UKB, mean age = 63.2 years, range = 47.0-80.3 years), where follow-up data was also available with a mean follow-up interval of 2.3 years. ICV was estimated with FreeSurfer (eTIV and sbTIV), SPM12, CAT12, and FSL. We assessed Pearson correlations, performed Bland-Altman analysis, and tested the explained variance of sex, height, body weight, and age on pairwise differences between ICV estimation methods. We fitted regression models to test linear and non-linear cross-sectional associations between age and ICV. For the UKB dataset, we further assessed longitudinal ICV change using linear mixed-effects (LME) models. We found overall high correlations across ICV estimation method, with the lowest correlations between FSL and eTIV (r=0.87) and between FSL and CAT12 (r=0.89). Widespread proportional bias was found in the Bland-Altman analyses, i.e., agreement between methods varying as a function of head size. Body weight, age, and sex explained the most variance in the differences between ICV estimation methods, indicating possible confounding by these variables for some estimation methods. In the NORMENT dataset, cross-sectional associations with age were found only for FSL and SPM12, indicating a positive association. For the UKB dataset, we observed negative cross-sectional associations with age for all ICV estimation methods. Longitudinal associations with age were found for all ICV estimation methods, with estimated annual percentage change ranging from −0.291 % to −0.416 % across the sampled age range. This convergence of longitudinal results across ICV estimation methods, in the largest dataset to date, offers strong evidence for age-related ICV reductions in mid- to late adulthood. Highlights Correlations between the five assessed estimation methods were very high (r>0.90) with the exception of FSL and eTIV (r=0.87), and FSL and CAT12 (r=0.89). Explained variance of estimated ICV differences by body weight, age, and sex indicate possible confounding for some ICV estimation methods. Positive cross-sectional associations with age, from adolescence to old age, were observed for the SPM12 and FSL estimation methods in one dataset. In the other dataset, negative cross-sectional associations with age, from mid- to late adulthood, were found for all estimation methods. Longitudinal ICV changes were observed for all estimation methods, indicating an annual percentage ICV reduction of −0.29 % to −0.42 % in mid- to late adulthood.

Diffusion kurtosis imaging (DKI) allows quantifying Gaussian and non-Gaussian effects in diffusion MRI signal and has already proved its relevance, including assessing age-related brain alterations. Hitherto, the standard DKI follows a single-component signal representation with no explicitly defined free-water factor that might lead to a reduced specificity of tensor-based measures. This work demonstrates the free-water corrections to the DKI and revisits the variations in the metrics across the adult lifespan. Our study shows a significant reduction in variability and dynamics of the kurtosis fractional anisotropy and the preservation of the status quo in the mean kurtosis tensor with age.

Background: Previous structural and functional neuroimaging studies have implicated distributed brain regions and networks in depression. However, there are no robust imaging biomarkers that are specific to depression, which may be due to clinical heterogeneity and neurobiological complexity. A dimensional approach and fusion of imaging modalities may yield a more coherent view of the neuronal correlates of depression. Methods: We used linked independent component analysis to fuse cortical macrostructure (thickness, area, gray matter density), white matter diffusion properties and resting-state fMRI default mode network amplitude in patients with a history of depression (n = 170) and controls (n = 71). We used univariate and machine learning approaches to assess the relationship between age, sex, case-control status, and symptom loads for depression and anxiety with the resulting brain components. Results: Univariate analyses revealed strong associations between age and sex with mainly global but also regional specific brain components, with varying degrees of multimodal involvement. In contrast, there were no significant associations with case-control status, nor symptom loads for depression and anxiety with the brain components, nor any interaction effects with age and sex. Machine learning revealed low model performance for classifying patients from controls and predicting symptom loads for depression and anxiety, but high age prediction accuracy. Conclusion: Multimodal fusion of brain imaging data alone may not be sufficient for dissecting the clinical and neurobiological heterogeneity of depression. Precise clinical stratification and methods for brain phenotyping at the individual level based on large training samples may be needed to parse the neuroanatomy of depression.