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 development of magnetic resonance imaging (MRI) techniques has defined modern neuroimaging. Since its inception, tens of thousands of studies using techniques such as functional MRI and diffusion weighted imaging have allowed for the non-invasive study of the brain. Despite the fact that MRI is routinely used to obtain data for neuroscience research, there has been no widely adopted standard for organizing and describing the data collected in an imaging experiment. This renders sharing and reusing data (within or between labs) difficult if not impossible and unnecessarily complicates the application of automatic pipelines and quality assurance protocols. To solve this problem, we have developed the Brain Imaging Data Structure (BIDS), a standard for organizing and describing MRI datasets. The BIDS standard uses file formats compatible with existing software, unifies the majority of practices already common in the field, and captures the metadata necessary for most common data processing operations.

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.

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.

The Developing Human Connectome Project (dHCP) seeks to create the first 4-dimensional connectome of early life. Understanding this connectome in detail may provide insights into normal as well as abnormal patterns of brain development. Following established best practices adopted by the WU-MINN Human Connectome Project (HCP), and pioneered by FreeSurfer, the project utilises cortical surface-based processing pipelines. In this paper, we propose a fully automated processing pipeline for the structural Magnetic Resonance Imaging (MRI) of the developing neonatal brain. This proposed pipeline consists of a refined framework for cortical and sub-cortical volume segmentation, cortical surface extraction, and cortical surface inflation, which has been specifically designed to address considerable differences between adult and neonatal brains, as imaged using MRI. Using the proposed pipeline our results demonstrate that images collected from 465 subjects ranging from 28 to 45 weeks post-menstrual age (PMA) can be processed fully automatically; generating cortical surface models that are topologically correct, and correspond well with manual evaluations of tissue boundaries in 85% of cases. Results improve on state-of-the-art neonatal tissue segmentation models and significant errors were found in only 2% of cases, where these corresponded to subjects with high motion. Downstream, these surfaces will enhance comparisons of functional and diffusion MRI datasets, supporting the modelling of emerging patterns of brain connectivity.

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

Features of brain asymmetry have been implicated in a broad range of cognitive processes; however, their origins are still poorly understood. Using a new left-right symmetric, spatiotemporal cortical surface atlas, we investigated cortical asymmetries in 442 healthy term-born neonates using structural and functional magnetic resonance images from the Developing Human Connectome Project. Cortical asymmetries observed in the term cohort were contextualised in two ways: by comparing them against cortical asymmetries observed in 103 preterm neonates scanned at term-equivalent age, and by comparing structural asymmetries against those observed in 1110 healthy young adults from the Human Connectome Project. Our results demonstrate that the neonatal cortex is markedly asymmetric in both structure and function, and while associations with preterm birth and biological sex were minimal, significant differences exist between birth and adulthood. Although these changes may represent experience-dependent developmental milestones, longitudinal studies across the lifespan are required to fully address these hypotheses.

Abstract Neuroimaging’s capability to quickly and rapidly phenotype the cortical organization of the whole brain brings with it the possibility to extend our understanding of cortical organization across the mammalian lineage. However, neuroimaging has thus far generally limited itself to a small number of species, with most animal studies being performed in either rodents or Non-Human Primates. Here we perform a first pass characterization of an animal which has recently seen its stock rise in the neuroscience community with the development of new models of neurological disease; the domestic pig. Characterizing the structural connectome of the pig, we create a white matter atlas, and an anatomical template which we use to build a horizontal translation between the pig and human based on a connectivity blueprint approach. We find that conserved trends of structural connectivity across species enabled spatial prediction of regions of interest between the pig and human, showing the potential horizontal translations have as a tool to assess the translational validity of porcine models of neurological disease. Releasing the anatomical template, white matter atlas, and connectivity blueprints, we hope to ease and promote the acceptance of the pig as an alternative large-animal model by the neuroimaging community.

Abstract Recent work has highlighted the scale and ubiquity of subject variability in observations from functional MRI data (fMRI). Furthermore, it is highly likely that errors in the estimation of either the spatial presentation of, or the coupling between, functional regions can confound cross-subject analyses, making accurate and unbiased representations of functional data essential for interpreting any downstream analyses. Here, we extend the framework of probabilistic functional modes (PFMs) [Harrison et al. 2015] to capture cross-subject variability not only in the mode spatial maps, but also in the functional coupling between modes and in mode amplitudes. A new implementation of the inference now also allows for the analysis of modern, large-scale data sets, and the combined inference and analysis package, PROFUMO, is available from git.fmrib.ox.ac.uk/samh/profumo. Using simulated data, resting-state data from 1,000 subjects collected as part of the Human Connectome Project [Van Essen et al. 2013], and an analysis of 14 subjects in a variety of continuous task-states [Kieliba et al. 2019], we demonstrate how PFMs are able to capture, within a single model, a rich description of how the spatio-temporal structure of resting-state fMRI activity varies across subjects. We also compare the new PFM model to the well established independent component analysis with dual regression (ICA-DR) pipeline. This reveals that, under PFM assumptions, much more of the (behaviorally relevant) cross-subject variability in fMRI activity should be attributed to the variability in spatial maps, and that, after accounting for this, functional coupling between modes primarily reflects current cognitive state. This has fundamental implications for the interpretation of cross-sectional studies of functional connectivity that do not capture cross-subject variability to the same extent as PFMs.