Abstract The emerging field of geometric deep learning extends the application of convolutional neural networks to irregular domains such as graphs, meshes and surfaces. Several recent studies have explored the potential for using these techniques to analyse and segment the cortical surface. However, there has been no comprehensive comparison of these approaches to one another, nor to existing Euclidean methods, to date. This paper benchmarks a collection of geometric and traditional deep learning models on phenotype prediction and segmentation of sphericalised neonatal cortical surface data, from the publicly available Developing Human Connectome Project (dHCP). Tasks include prediction of postmenstrual age at scan, gestational age at birth and segmentation of the cortical surface into anatomical regions defined by the M-CRIB-S atlas. Performance was assessed not only in terms of model precision, but also in terms of network dependence on image registration, and model interpretation via occlusion. Networks were trained both on sphericalised and anatomical cortical meshes. Findings suggest that the utility of geometric deep learning over traditional deep learning is highly task-specific, which has implications for the design of future deep learning models on the cortical surface. The code, and instructions for data access, are available from https://github.com/Abdulah-Fawaz/Benchmarking-Surface-DL .

Abstract The Human Connectome Project Multimodal Parcellation (HCP_MMP1.0) provides a robust in vivo map of the cerebral cortex, which demonstrates variability in structure and function that cannot be captured through diffeomorphic image registration alone. The HCP successfully employed a fully-connected neural network architecture to capture this variation, however it is unclear whether this approach generalises to other datasets with less rich imaging protocols. In this paper we propose and validate a novel geometric deep learning framework for generating individualised HCP_MMP1.0 parcellations in UK Biobank (UKB), an extremely rich resource that has led to numerous breakthroughs in neuroscience. To address substantial differences in image acquisition (for example, 6 minutes of resting-state fMRI per subject for UKB vs. 60 minutes per subject for HCP), we introduce a multi-step learning procedure including pretraining with a convolutional autoencoder. Compared to a fully-connected baseline, our proposed framework improved average detection rate across all areas by 10.4% (99.1% vs 88.7%), and detection of the worst performing area by 51.0% (80.9% vs. 29.9%). Importantly, this was not a result of the framework predicting one consistent parcellation across subjects, as visual inspection indicated that our method was sensitive to atypical cortical topographies. Code and trained models will be made available at https://www.github.com .

Abstract Understanding the topographic heterogeneity of cortical organisation is an essential step towards precision modelling of neuropsychiatric disorders. While many cortical parcellation schemes have been proposed, few attempt to model inter-subject variability. For those that do, most have been proposed for high-resolution research quality data, without exploration of how well they generalise to clinical quality scans. In this paper, we benchmark and ensemble four different geometric deep learning models on the task of learning the Human Connectome Project (HCP) multimodal cortical parcellation. We employ Monte Carlo dropout to investigate model uncertainty with a view to propagate these labels to new datasets. Models achieved an overall Dice overlap ratio of >0.85 ± 0.02. Regions with the highest mean and lowest variance included V1 and areas within the parietal lobe, and regions with the lowest mean and highest variance included areas within the medial frontal lobe, lateral occipital pole and insula. Qualitatively, our results suggest that more work is needed before geometric deep learning methods are capable of fully capturing atypical cortical topographies such as those seen in area 55b. However, information about topographic variability between participants was encoded in vertex-wise uncertainty maps, suggesting a potential avenue for projection of this multimodal parcellation to new datasets with limited functional MRI, such as the UK Biobank.

Cortical neurodevelopment is sensitive to disruption following preterm birth, with lasting impact on cognitive outcomes. The creation of generative models of neurodevelopment could aid clinicians in identifying at-risk subjects but is complicated by the degree of subject variability in cortical folding, and significant heterogeneity in the effect of preterm birth. In this work, we propose a graph convolutional generative adversarial network (GAN) and a training scheme to simulate neonatal cortical surface developmental trajectories. The proposed model is used to smoothly modify two cortical phenotypes: post-menstrual age at scan (PMA) and gestational age at birth (GA) on data from the developing Human Connectome Project (dHCP). The synthetic images were validated with an independently trained regression network, and compared against follow up scans, indicating that the model can realistically age individuals whilst preserving subject-specific cortical morphology. Deviation between simulated healthy scans, and preterm follow up scans generated a metric of individual atypicality, which improved prediction of 18-month cognitive outcome over GA alone.