Magnetic resonance imaging is a powerful modality to investigate abnormal developmental patterns in utero. However, since it is not the first-line diagnostic tool in this sensitive population, data remain scarce and heterogeneous between scanners and centers. In addressing the data scarcity issue while generating data representative of real fetal brain MRI, we proposed FaBiAN, a `Fetal Brain magnetic resonance Acquisition Numerical phantom. Here, we present a novel synthetic dataset of 594 two-dimensional, low-resolution series of T2-weighted images corresponding to 78 developing human fetal brains between 20.0 and 34.8 weeks of gestational age. Data are generated with substantive improvements from the original FaBiAN to account for local heterogeneities within white matter tissues throughout maturation. These synthetic-yet-highly-realistic images cover both healthy and pathological development trajectories simulated with standard clinical settings and anatomically informed by the Fetal Tissue Annotations (FeTA) dataset. Two independent radiologists qualitatively assessed the realism of the simulated images. We also quantitatively demonstrate the simulated data's increased fidelity to real data compared to the previous FaBiAN version. The reuse potential of the proposed dataset was also evaluated in the context of automated fetal brain tissue segmentation. Besides, our dataset that combines images generated from various clinical scenarios has been made publicly available to support the continuous endeavor of the community to develop advanced post-processing methods aswell as cutting-edge artificial intelligence models.

Diffusion-weighted magnetic resonance imaging (dMRI) is widely used to assess the brain white matter. Fiber orientation distribution functions (FODs) are a common way of representing the orientation and density of white matter fibers. However, with standard FOD computation methods, accurate estimation of FODs requires a large number of measurements that usually cannot be acquired for newborns and fetuses. We propose to overcome this limitation by using a deep learning method to map as few as six diffusion-weighted measurements to the target FOD. To train the model, we use the FODs computed using multi-shell high angular resolution measurements as target. Extensive quantitative evaluations show that the new deep learning method, using significantly fewer measurements, achieves comparable or superior results to standard methods such as Constrained Spherical Deconvolution. We demonstrate the generalizability of the new deep learning method across scanners, acquisition protocols, and anatomy on two clinical datasets of newborns and fetuses. Additionally, we compute agreement metrics within the HARDI newborn dataset, and validate fetal FODs with post-mortem histological data. The results of this study show the advantage of deep learning in inferring the microstructure of the developing brain from in-vivo dMRI measurements that are often very limited due to subject motion and limited acquisition times, but also highlight the intrinsic limitations of dMRI in the analysis of the developing brain microstructure. These findings, therefore, advocate for the need for improved methods that are tailored to studying the early development of human brain.

We present a comprehensive method for reconstruction of fetal diffusion MRI signal using a higher order spherical harmonics representation, that includes motion, distortion and intensity correction. By applying constrained spherical deconvolution and whole brain tractography to reconstructed fetal diffusion MRI we are able to identify main WM tracts and anatomically plausible fiber crossings. The proposed methodology facilitates detailed investigation of developing brain connectivity and microstructure in-utero.

Current methods for processing diffusion MRI (dMRI) to map the connectivity of the human brain require precise delineations of anatomical structures. This requirement has been approached by either segmenting the data in native dMRI space or mapping the structural information from T1-weighted (T1w) images. The characteristic features of diffusion data in terms of signal-to-noise ratio, resolution, as well as the geometrical distortions caused by the inhomogeneity of magnetic susceptibility across tissues hinder both solutions. Unifying the two approaches, we propose regseg, a surface-to-volume nonlinear registration method that segments homogeneous regions within multivariate images by mapping a set of nested reference-surfaces. Accurate surfaces are extracted from a T1w image of the subject, using as target image the bivariate volume comprehending the fractional anisotropy (FA) and the apparent diffusion coefficient (ADC) maps derived from the dMRI dataset. We first verify the accuracy of regseg on a general context using digital phantoms distorted with synthetic and random deformations. Then we establish an evaluation framework using undistorted dMRI data from the Human Connectome Project (HCP) and realistic deformations derived from the inhomogeneity fieldmap corresponding to each subject. We analyze the performance of regseg computing the misregistration error of the surfaces estimated after being mapped with regseg onto 16 datasets from the HCP. The distribution of errors shows a 95% CI of 0.56-0.66 mm, that is below the dMRI resolution (1.25 mm, isotropic). Finally, we cross-compare the proposed tool against a nonlinear b0-to-T2w registration method, thereby obtaining a significantly lower misregistration error with regseg. The accurate mapping of structural information in dMRI space is fundamental to increase the reliability of network building in connectivity analyses, and to improve the performance of the emerging structure-informed techniques for dMRI data processing.

Diffantom is a whole-brain digital phantom generated from a dataset from the Human Connectome Project. Diffantom is presented here to be openly and freely distributed along with the diffantomizer workflow to generate new diffantoms. We encourage the neuroimage community to contribute with their own diffantoms and share them openly.