Abstract Increasing interest in the structural and functional organization of the human brain in health and disease encourages the acquisition of big datasets consisting of multiple neuroimaging modalities accompanied by additional information obtained from health records, cognitive tests, biomarkers and genotypes. Diffusion weighted magnetic resonance imaging data enables a range of promising imaging phenotypes probing structural connections as well as macroanatomical and microstructural properties of the brain. The reliability and biological sensitivity and specificity of diffusion data depend on processing pipeline. A state-of-the-art framework for data processing facilitates crossstudy harmonisation and reduces pipeline-related variability. Using diffusion data from the UK Biobank we provide a comprehensive evaluation of different processing steps that have been suggested to reduce imaging artefacts and improve reliability of diffusion metrics. We consider a general pipeline comprising 7 post-processing blocks: noise correction; Gibbs ringing correction; evaluation of field distortions; susceptibility, eddy-current and motion-induced distortion corrections; bias field correction; spatial smoothing; and final diffusion metric estimations. Based on this evaluation, we suggest an optimised diffusion pipeline for processing of diffusion weighted imaging data.

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 Sleep deprivation influences several critical functions, yet how it affects human brain white matter (WM) is not well understood. The aim of the present work was to investigate the effect of 32 hours of sleep deprivation on WM microstructure compared to changes observed in a normal sleep-wake cycle (SWC). To this end, we utilised diffusion weighted imaging (DWI) including the diffusion tensor model, diffusion kurtosis imaging and the spherical mean technique, a novel biophysical diffusion model. 46 healthy adults (23 sleep deprived vs 23 with normal SWC) underwent DWI across 4 time points (morning, evening, next day morning and next day afternoon, after a total of 32 hours). Linear mixed models revealed significant group × time interaction effects, indicating that sleep deprivation and normal SWC differentially affect WM microstructure. Voxel-wise comparisons showed that these effects spanned large, bilateral WM regions. These findings provide important insight into how sleep deprivation affects the human brain.

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.

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.

Motivation: The human brain demonstrates structural and functional asymmetries which have implications for ageing and the development of mental and neurological diseases. Age-relationships of these asymmetries are largely unknown. Goal(s): We aimed to map brain asymmetries from midlife to older ages and develop hemispheric brain age (HBA) models, which consider apparent hemispheric differences. Approach: We used structural and diffusion magnetic resonance imaging metrics (N=48,040, UK Biobank) to evaluate the age-relationship of brain asymmetry. Results: Most metrics indicated asymmetry, which appears lower at higher age in white matter and higher in grey matter. HBA reflects other brain ages and unique information of each hemisphere. Impact: We present for the first time comprehensive analyses of brain asymmetries throughout midlife and older ages and establish a new conceptualisation of BrainAge. This ”hemispheric” BrainAge can serve as a marker of asymmetry by comparing left to right hemisphere-derived BrainAges.

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 The term free-water volume fraction (FWVF) refers to the cerebrospinal and interstitial fluids in the extracellular space of the white matter (WM) of the brain, which has been demonstrated as a sensitive biomarker that correlates with the cognitive performance and the neuropathological processes modifying the interstitial extracellular spaces. It can be quantified by properly fitting the isotropic compartment of the magnetic resonance (MR) signal in diffusion-sensitized sequences. Using N = 287 healthy subjects aged 25-94, this study examines in detail the evolution of the FWVF in the human brain WM across the adult lifespan, which has been previously reported to exhibit a positive trend. We found evidence of a noticeably non-linear gain after the sixth decade of life, with a region-specific variate and varying change rate of the FWVF parameter with age, at the same time a heteroskedastic pattern across the adult lifespan is suggested. On the other hand, the FW-compensated MR signal leads to a region-dependent flattened age-related evolution of the mean diffusivity (MD) and fractional anisotropy (FA), along with a considerable reduction in their variability, as compared to standard studies conducted over the raw MR signal. This way, our study provides a new perspective on the trajectory-based assessment of the brain and explains the source of the variations observed in FA and MD parameters across the lifespan with previous studies with the standard diffusion tensor imaging.