Abstract Introduction Brain age, the estimation of a person’s age from magnetic resonance imaging (MRI) parameters, has been used as a general indicator of health. The marker requires however further validation for application in clinical contexts. Here, we show how brain age predictions perform for for the same individual at various time points and validate our findings with age-matched healthy controls. Methods We used densly sampled T1-weighted MRI data from four individuals (from two datasets) to observe how brain age corresponds to age and is influenced by acquision and quality parameters. For validation, we used two cross-sectional datasets. Brain age was predicted by a pre-trained deep learning model. Results We find small within-subject correlations between age and brain age. We also find evidence for the influence of field strength on brain age which replicated in the cross-sectional validation data, and inconclusive effects of scan quality. Conclusion The absence of maturation effects for the age range in the presented sample, brain age model-bias (including training age distribution and field strength) and model error are potential reasons for small relationships between age and brain age in longitudinal data. Future brain age models should account for differences in field strength and intra-individual differences.

Abstract Magnetic resonance spectroscopy (MRS) is the primary method that can measure the levels of metabolites in the brain in vivo. To achieve its potential in clinical usage, the reliability of the measurement requires further articulation. Although there are many studies that investigate the reliability of gamma-aminobutyric acid (GABA), comparatively few studies have investigated the reliability of other brain metabolites, such as glutamate (Glu), N-acetyl-aspartate (NAA), creatine (Cr), phosphocreatine (PCr), or myo-inositol (mI), which all play a significant role in brain development and functions. In addition, previous studies which predominately used only two measurements (two datapoints) failed to provide the details of the time effect (e.g., time-of-day) on MRS measurement within subjects. Therefore, in this study, MRS data located in the anterior cingulate cortex (ACC) were repeatedly recorded across one year leading to at least 25 sessions for each subject with the aim of exploring the variability of other metabolites by using the index coefficient of variability (CV); the smaller the CV, the more reliable the measurements. We found that the metabolites of NAA, tNAA, and tCr showed the smallest CVs (between 1.61 and 4.90 %), and the metabolites of Glu, Glx, mI, and tCho showed modest CVs (between 4.26 and 7.89 %). Furthermore, we found that the concentration reference of the ratio to water with tissue correction results in smaller CVs compared to the ratio to tCr. In addition, we did not find any time-of-day effect on the MRS measurements. Collectively, the results of this study indicate that the MRS measurement is reasonably reliable in quantifying the levels of metabolites. Key points The MRS measurement is reliable within subject. The ratio to water provides more reliable results compared to the ratio to tCr. The ratio to water is recommended as the internal concentration reference.

Abstract Populational brain imaging methods based on group averages provide valuable insights into the general functions of the brain. However, they often overlook the inherent inter- and intra-subject variability, limiting our understanding of individual differences. To address this limitation, researchers have turned to big datasets and deep brain imaging datasets. Big datasets enable the exploration of inter-subject variations, while deep brain imaging datasets, involving repeated scanning of multiple subjects over time, offer detailed insights into intra-subject variability. Despite the availability of numerous big datasets, the number of deep brain imaging datasets remains limited. In this article, we present a deep brain imaging dataset derived from the Bergen Breakfast Scanning Club (BBSC) project. The dataset comprises data collected from three subjects who underwent repeated scanning over the course of approximately one year. Specifically, three types of data chunks were collected: behavioral data, functional brain data, and structural brain data. Functional brain images, encompassing magnetic resonance spectroscopy (MRS) and resting-state functional magnetic resonance imaging (fMRI), along with their anatomical reference T1-weighted brain images, were collected twice a week during the data collection period. In total, 38, 40, and 25 sessions of functional data were acquired for subjects 1, 2, and 3, respectively. On the other hand, structural brain images, including T2-weighted brain images, diffusion-weighted images (DWI), and fluid-attenuated inversion recovery (FLAIR) images, were obtained once a month. A total of 10, 9, and 6 sessions were collected for subjects 1, 2, and 3, respectively. The primary objective of this article is to provide a comprehensive description of the data acquisition protocol employed in the BBSC project, as well as detailed insights into the preprocessing steps applied to the acquired data.

Abstract With the feature of noninvasively monitoring the human brain, magnetic resonance imaging (MRI) has become a ubiquitous means to understand how the brain works. Specifically, T1-weighted (T1w) imaging is widely used to examine the brain structure where the cortical thickness, surface area, and brain volumes have been investigated. These T1w-derived phenotypes undergo radical changes during childhood and adolescence, while remaining relatively stable during adulthood. However, stability over a short time (e.g. one year) during adulthood is still unknown. Additionally, how environmental factors such as time-of-day and different daylight lengths could impact the structural brain is also elusive. The main purpose of this study, therefore, was to assess the stability of T1w-derived phenotypes, i.e., cortical thickness, surface area, and brain volumes including subcortical volumes, and to explore the time-of-day and daylight length effects. Accordingly, three subjects in their late 20s, and early 30s and 40s were scanned repeatedly on the same scanner over one year from which a deep brain imaging dataset was constructed with 38, 40, and 25 sessions for subjects 1, 2, and 3, respectively. The T1w-derived phenotypes demonstrated percentage changes within 5% and CVs (coefficients of variance) within 2% for the majority of brain regions. However, several brain regions did show larger variations with percentage changes around 10% and CVs around 5%, such as the temporal pole, the frontal pole, and the entorhinal cortex. More importantly, there were no significant effects of time-of-day and daylight length. Moreover, cortical thickness change was strongly and positively correlated with that of volume while being negatively correlated with that of surface area, illustrating their distinct roles in brain anatomy. Additionally, it was found that apparent head motion causes cortical thickness and volume to be underestimated and surface area to be overestimated. These results indicate that T1w-derived phenotypes are reasonably stable regardless of time-of-day or daylight length, but that head motion should be taken into consideration. Significance Assessing the measurement precision and within-subject stability of T1w-derived phenotypes is crucial for accurately estimating brain changes induced by treatments or interventions. Furthermore, understanding within-subject variation enhances our ability to predict behavior and associations with brain phenotypes, which rely heavily on between-subject variation.