Abstract The European Prevention of Alzheimer Dementia (EPAD) is a multi-center study that aims to characterize the preclinical and prodromal stages of Alzheimer’s Disease. The EPAD imaging dataset includes core (3D T1w, 3D FLAIR) and advanced (ASL, diffusion MRI, and resting-state fMRI) MRI sequences. Here, we give an overview of the semi-automatic multimodal and multisite pipeline that we developed to curate, preprocess, quality control (QC), and compute image-derived phenotypes (IDPs) from the EPAD MRI dataset. This pipeline harmonizes DICOM data structure across sites and performs standardized MRI preprocessing steps. A semi-automated MRI QC procedure was implemented to visualize and flag MRI images next to site-specific distributions of QC features — i.e. metrics that represent image quality. The value of each of these QC features was evaluated through comparison with visual assessment and step-wise parameter selection based on logistic regression. IDPs were computed from 5 different MRI modalities and their sanity and potential clinical relevance were ascertained by assessing their relationship with biological markers of aging and dementia. The EPAD v1500.0 data release encompassed core structural scans from 1356 participants 842 fMRI, 831 dMRI, and 858 ASL scans. From 1356 3D T1w images, we identified 17 images with poor quality and 61 with moderate quality. Five QC features — Signal to Noise Ratio (SNR), Contrast to Noise Ratio (CNR), Coefficient of Joint Variation (CJV), Foreground-Background energy Ratio (FBER), and Image Quality Rate (IQR) — were selected as the most informative on image quality by comparison with visual assessment. The multimodal IDPs showed greater impairment in associations with age and dementia biomarkers, demonstrating the potential of the dataset for future clinical analyses.

Abstract We propose a Generative Adversarial Network (GAN) model named Disease Evolution Predictor GAN (DEP-GAN) to predict the evolution (i.e., progression and regression) of White Matter Hyperintensities (WMH) in small vessel disease. In this study, the evolution of WMH is represented by the “Disease Evolution Map” (DEM) produced by subtracting irregularity map (IM) images from two time points: baseline and follow-up. DEP-GAN uses two discriminators (critics) to enforce anatomically realistic follow-up image and DEM. To simulate the non-deterministic and unknown parameters involved in WMH evolution, we propose modulating an array of random noises to the DEP-GAN’s generator which forces the model to imitate a wider spectrum of alternatives in the results. Our study shows that the use of two critics and random noises modulation in the proposed DEP-GAN improves its performance predicting the evolution of WMH in small vessel disease. DEP-GAN is able to estimate WMH volume in the follow-up year with mean (std) estimation error of −1.91 (12.12) ml and predict WMH evolution with mean rate of 72.01% accuracy (i.e., 88.69% and 23.92% better than Wasserstein GAN).

Abstract Birth weight, an indicator of fetal growth, is associated with cognitive outcomes in early life and risk of metabolic and cardiovascular disease across the life course. Cognitive ability in early life is predictive of cognitive ability in later life. Brain health in older age, defined by MRI features, is associated with cognitive performance. However, little is known about how variation in normal birth weight impacts on brain structure in later life. In a community dwelling cohort of participants in their early seventies we tested the hypothesis that birthweight is associated with the following MRI features: total brain (TB), grey matter (GM) and normal appearing white matter (NAWM) volumes; whiter matter hyperintensity (WMH) volume; a general factor of fractional anisotropy (gFA) and peak width skeletonised mean diffusivity (PSMD) across the white matter skeleton. We also investigated the associations of birthweight with cortical surface area, volume and thickness. Birthweight was positively associated with TB, GM and NAWM volumes in later life (β ≥ 0.194), and with regional cortical surface area but not gFA, PSMD, WMH volume, or cortical volume or thickness. These positive relationships appear to be explained by larger intracranial volume rather than by age-related tissue atrophy, and are independent of body height and weight in adulthood. This suggests that larger birthweight is linked to increased brain tissue reserve in older life, rather than a resilience to age-related changes in brain structure, such as tissue atrophy or WMH volume. Significance Statement Cognitive brain ageing carries a high personal, societal and financial cost and understanding its developmental origins is important for identifying possible preventative strategies. In a sample of older participants from the Lothian Birth Cohort 1936 we were able to explore the neurobiological correlates of birth weight, which is indicative of the fetal experience. We find that higher birth weight is related to larger brain tissue volumes in later life, but does not modify the trajectory of age-related change. This suggests that early life growth confers preserved differentiation, rather than differential preservation with regards to brain reserve. That these effects are detectable into later life indicates that this variable may be valuable biomarker in the epidemiology of ageing.

Previous studies have indicated that white matter hyperintensities (WMH), the main radiological feature of small vessel disease, may evolve (i.e., shrink, grow) or stay stable over a period of time. Predicting these changes are challenging because it involves some unknown clinical risk factors that leads to a non-deterministic prediction task. In this study, we propose a deep learning model to predict the evolution of WMH from baseline to follow-up (i.e., 1-year later), namely \``Disease Evolution Predictor" (DEP) model, which can be adjusted to become a non-deterministic model. The DEP model receives a baseline image as input and produces a map called \``Disease Evolution Map" (DEM), which represents the evolution of WMH from baseline to follow-up. Two DEP models are proposed, namely DEP-UResNet and DEP-GAN, which are representatives of the supervised (i.e., need expert-generated manual labels to generate the output) and unsupervised (i.e., do not require manual labels produced by experts) deep learning algorithms respectively. To simulate the non-deterministic and unknown parameters involved in WMH evolution, we modulate a Gaussian noise array to the DEP model as auxiliary input. This forces the DEP model to imitate a wider spectrum of alternatives in the prediction results. The alternatives of using other types of auxiliary input instead, such as baseline WMH and stroke lesion loads are also proposed and tested. Based on our experiments, the fully supervised machine learning scheme DEP-UResNet regularly performed better than the DEP-GAN which works in principle without using any expert-generated label (i.e., unsupervised). However, a semi-supervised DEP-GAN model, which uses probability maps produced by a supervised segmentation method in the learning process, yielded similar performances to the DEP-UResNet and performed best in the clinical evaluation. Furthermore, an ablation study showed that an auxiliary input, especially the Gaussian noise, improved the performance of DEP models compared to DEP models that lacked the auxiliary input regardless of the model's architecture. To the best of our knowledge, this is the first extensive study on modelling WMH evolution using deep learning algorithms, which deals with the non-deterministic nature of WMH evolution.### Competing Interest StatementThe authors have declared no competing interest.

ABSTRACT Predicting the evolution of white matter hyperintensities (WMH), a common feature in brain magnetic resonance imaging (MRI) scans of older adults (i.e., whether WMH will grow, remain stable, or shrink with time) is important for personalised therapeutic interventions. However, this task is difficult mainly due to the myriad of vascular risk factors and comorbidities that influence it, and the low specificity and sensitivity of the image intensities and textures alone for predicting WMH evolution. Given the predominantly vascular nature of WMH, in this study, we evaluate the impact of incorporating stroke lesion information to a probabilistic deep learning model to predict the evolution of WMH 1-year after the baseline image acquisition, taken soon after a mild stroke event, using T2-FLAIR brain MRI. The Probabilistic U-Net was chosen for this study due to its capability of simulating and quantifying the uncertainties involved in the prediction of WMH evolution. We propose to use an additional loss called volume loss to train our model, and incorporate stroke lesions information, an influential factor in WMH evolution. Our experiments showed that jointly segmenting the disease evolution map (DEM) of WMH and stroke lesions, improved the accuracy of the DEM representing WMH evolution. The combination of introducing the volume loss and joint segmentation of DEM of WMH and stroke lesions outperformed other model configurations with mean volumetric absolute error of 0.0092 ml (down from 1.7739 ml ) and 0.47% improvement on average Dice similarity coefficient in shrinking, growing and stable WMH.

Different brain regions can be grouped together, based on cross-sectional correlations among their cortical characteristics; this patterning has been used to make inferences about ageing processes. However, cross-sectional brain data conflates information on ageing with patterns that are present throughout life. We characterised brain cortical ageing across the 8th decade of life in a longitudinal ageing cohort, at ages ∼73, ∼76, and ∼79 years, with a total of 1,376 MRI scans. Volumetric changes among cortical regions of interest (ROIs) were more strongly correlated (average r = 0.805, SD = 0.252) than were cross-sectional volumes of the same ROIs (average r = 0.350, SD = 0.178). We identified a broad, cortex-wide, dimension of atrophy that explained 66% of the variance in longitudinal changes across the cortex. Our modelling also discovered more specific fronto-temporal and occipito-parietal dimensions, that were orthogonal to the general factor and together explained an additional 20% of the variance. The general factor was associated with declines in general cognitive ability ( r = 0.431, p < 0.001) and in the domains of visuospatial ability ( r = 0.415, p = 0.002), processing speed ( r = 0.383, p < 0.001) and memory ( r = 0.372, p < 0.001). Individual differences in brain cortical atrophy with ageing are manifest across three broad dimensions of the cerebral cortex, the most general of which is linked with declines in both processing speed and memory. Longitudinal approaches will prove invaluable for distinguishing lifelong patterns of brain-behaviour associations from patterns that are specific to aging.

Summary Human brain structure changes throughout our lives. Altered brain growth or rates of decline are implicated in a vast range of psychiatric, developmental, and neurodegenerative diseases. Here, we identified common genetic variants that affect rates of brain growth or atrophy, in the first genome-wide association meta-analysis of changes in brain morphology across the lifespan. Longitudinal MRI data from 15,640 individuals were used to compute rates of change for 15 brain structures. The most robustly identified genes GPR139, DACH1 and APOE are associated with metabolic processes. We demonstrate global genetic overlap with depression, schizophrenia, cognitive functioning, insomnia, height, body mass index and smoking. Gene-set findings implicate both early brain development and neurodegenerative processes in the rates of brain changes. Identifying variants involved in structural brain changes may help to determine biological pathways underlying optimal and dysfunctional brain development and ageing.

Small Vessel Disease (SVD) is the leading cause of vascular dementia, causes a quarter of strokes, and worsens stroke outcomes(1, 2). The disease is characterised by cerebral small vessel and white matter pathology, but the underlying mechanisms are poorly understood. Classically, the microvascular and tissue damage has been considered secondary to extrinsic factors, such as hypertension, consisting of microvessel stiffening, impaired vasoreactivity and blood-brain barrier dysfunction identified in human sporadic SVDs. However, increasing evidence points to an underlying vulnerability to SVD-related brain damage, not just extrinsic factors. Here, in a novel normotensive transgenic rat model where the phospholipase flippase Atp11b is deleted, we show pathological, imaging and behavioural changes typical of those in human sporadic SVD, but that occur without hypertension. These changes are due to an intrinsic endothelial cell dysfunction, identified in vessels of the brain white matter and the retina, with pathological evidence of vasoreactivity and blood-brain barrier deficits, which precipitate a secondary maturation block in oligodendroglia and myelin disruption around the small vessels. This highlights that an intrinsic endothelial dysfunction may underlie vulnerability to human sporadic SVD, providing alternative therapeutic targets to prevent a major cause of stroke and dementia.

Quantifying the microstructural properties of the human brain's connections is necessary for understanding normal ageing and disease states. We examined brain white matter MRI data in 3,513 generally healthy people aged 45-75 years from the UK Biobank sample. Using conventional water diffusion measures and newer, as-yet rarely-studied indices from neurite orientation dispersion and density imaging (NODDI), we document large age differences in white matter microstructure. Mean diffusivity was the most age-sensitive diffusion measure, with negative age associations strongest in the thalamic radiation and association fibres. Inter-individual differences in white matter microstructure across brain tracts become increasingly correlated in older age. This connectivity 'de-differentiation' may reflect an age-related aggregation of systemic detrimental effects on the brain. We report several other novel results, including comparative age associations with volumetric indices and associations with hemisphere and sex. Results from this unusually large, single-scanner sample provide one of the most definitive characterisations to date of age differences in major white matter tracts in the human brain.

Gene expression varies across the brain. This spatial patterning denotes specialised support for particular brain functions. However, the way that a given gene9s expression fluctuates across the brain may be governed by general rules that apply to many other genes, too. Quantifying those patterns of spatial covariation would offer insights into the molecular characteristics of brain areas supporting, for example, complex cognitive functions. Here, we use principal component analysis to separate general and unique gene regulatory associations with cortical substrates of cognition. We find that the region-to-region variation in cortical expression profiles of 8235 genes covaries across two major principal components : gene ontology analysis suggests these dimensions are characterised by downregulation and upregulation of cell-signalling/modification and transcription factors. We validate these patterns out-of-sample and across different data processing choices. Brain regions more strongly implicated in general cognitive functioning (g; 3 cohorts, total meta-analytic N = 39,519) tend to be more balanced between downregulation and upregulation of both major components (indicated by regional component scores). We then identify a further 41 genes as candidate cortical spatial correlates of g, beyond the patterning of the two major components (absolute standardized beta range = 0.15 to 0.53). Many of the genes have been previously associated with clinical neurodegenerative and psychiatric disorders, or with other health-related phenotypes. The results provide insights into the cortical organisation of gene expression and its association with individual differences in cognitive functioning.