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.

BackgroundThe medium-term effects of Coronavirus disease (COVID-19) on organ health, exercise capacity, cognition, quality of life and mental health are poorly understood.MethodsFifty-eight COVID-19 patients post-hospital discharge and 30 age, sex, body mass index comorbidity-matched controls were enrolled for multiorgan (brain, lungs, heart, liver and kidneys) magnetic resonance imaging (MRI), spirometry, six-minute walk test, cardiopulmonary exercise test (CPET), quality of life, cognitive and mental health assessments.FindingsAt 2–3 months from disease-onset, 64% of patients experienced breathlessness and 55% reported fatigue. On MRI, abnormalities were seen in lungs (60%), heart (26%), liver (10%) and kidneys (29%). Patients exhibited changes in the thalamus, posterior thalamic radiations and sagittal stratum on brain MRI and demonstrated impaired cognitive performance, specifically in the executive and visuospatial domains. Exercise tolerance (maximal oxygen consumption and ventilatory efficiency on CPET) and six-minute walk distance were significantly reduced. The extent of extra-pulmonary MRI abnormalities and exercise intolerance correlated with serum markers of inflammation and acute illness severity. Patients had a higher burden of self-reported symptoms of depression and experienced significant impairment in all domains of quality of life compared to controls (p<0.0001 to 0.044).InterpretationA significant proportion of patients discharged from hospital reported symptoms of breathlessness, fatigue, depression and had limited exercise capacity. Persistent lung and extra-pulmonary organ MRI findings are common in patients and linked to inflammation and severity of acute illness.FundingNIHR Oxford and Oxford Health Biomedical Research Centres, British Heart Foundation Centre for Research Excellence, UKRI, Wellcome Trust, British Heart Foundation.

Abstract Purpose To evaluate the performance of an ensemble learning approach for fully automated cartilage segmentation on knee magnetic resonance images of patients with osteoarthritis. Materials and Methods This retrospective study of 88 participants with knee osteoarthritis involved the study of three-dimensional (3D) double echo steady state (DESS) MR imaging volumes with manual segmentations for 6 different compartments of cartilage (Data available from the Osteoarthritis Initiative). We propose ensemble learning to boost the sensitivity of our deep learning method by combining predictions from two models, a U-Net for the segmentation of two labels (cartilage vs background) and a multi-label U-Net for specific cartilage compartments. Segmentation accuracy is evaluated using Dice coefficient, while volumetric measures and Bland Altman plots provide complimentary information when assessing segmentation results. Results Our model showed excellent accuracy for all 6 cartilage locations: femoral 0.88, medial tibial 0.84, lateral tibial 0.88, patellar 0.85, medial meniscal 0.85 and lateral meniscal 0.90. The average volume correlation was 0.988, overestimating volume by 9% ± 14% over all compartments. Simple post processing creates a single 3D connected component per compartment resulting in higher anatomical face validity. Conclusion Our model produces automated segmentation with high Dice coefficients when compared to expert manual annotations and leads to the recovery of missing labels in the manual annotations, while also creating smoother, more realistic boundaries avoiding slice discontinuity artifacts present in the manual annotations. Key Results Combining a 2-label U-Net (cartilage vs background) with a multi-class U-Net for segmentation of cartilage compartment boosts the accuracy of our deep learning model leading to the recovery of missing annotations in the manual dataset. Automatically generated segmentations have high Dice coefficients (0.85-0.90) and reduce inter-slice discontinuity artefact caused by slice wise delineation. Model refinement yields more anatomically plausible segmentations where each cartilage label is composed of only a single 3D region of interest.

We present MMORF - FSL9s MultiMOdal Registration Framework - a newly released nonlinear image registration tool designed primarily for application to MRI images of the brain. MMORF is capable of simultaneously optimising both displacement and rotational transformations within a single registration framework by leveraging rich information from multiple scalar and tensor modalities. The regularisation employed in MMORF promotes local rigidity in the deformation, and we have previously demonstrated how this effectively controls both shape and size distortion, and leads to more biologically plausible warps. The performance of MMORF is benchmarked against three established nonlinear registration methods - FNIRT, ANTs and DR-TAMAS - across four domains: FreeSurfer label overlap, DTI similarity, task-fMRI cluster mass, and distortion. Results show that MMORF performs as well as or better than all other methods across every domain - both in terms of accuracy and levels of distortion. MMORF is available as part of FSL, and its inputs and outputs are fully compatible with existing workflows. We believe that MMORF will be a valuable tool for the neuroimaging community, regardless of the domain of any downstream analysis, providing state-of-the-art registration performance that integrates into the rich and widely adopted suite of analysis tools in FSL.

Anatomical MRI templates of the brain are essential to group-level analyses and image processing pipelines, as they provide a reference space for spatial normalisation. While it has become common for studies to acquire multimodal MRI data, many templates are still limited to one type of modality, usually either scalar or tensor-based. Aligning each modality in isolation does not take full advantage of the available complementary information, such as strong contrast between tissue types in structural images, or axonal organisation in the white matter in diffusion tensor images. Most existing strategies for multimodal template construction either do not use all modalities of interest to inform the template construction process, or do not use them in a unified framework. Here, we present multimodal, cross-sectional templates constructed from UK Biobank data: the OMM-1 template, and age-dependent templates for each year of life between 45 to 81. All templates are fully unbiased to represent the average shape of the populations they were constructed from, and internally consistent through jointly informing the template construction process with T1, T2-FLAIR and DTI data. The OMM-1 template was constructed with a multi-resolution, iterative approach using 240 individuals in the 50-55 year age range. The age-dependent templates were estimated using a Gaussian Process, which describes the change in average brain shape with age in 37,330 individuals. All templates show excellent contrast and alignment within and between modalities. The global brain shape and size is not preconditioned on existing templates, although maximal possible compatibility with MNI-152 space was maintained through rigid alignment. We showed benefits in registration accuracy across two datasets (UK Biobank and HCP), when using the OMM-1 as the template compared with FSL9s MNI-152 template, and found that the use of age-dependent templates further improved accuracy to a small but detectable extent. All templates are publicly available and can be used as a new reference space for uni- or multimodal spatial alignment.

ABSTRACT While diffusion MRI is typically used to estimate microstructural properties of tissue in volu-metric elements (voxels), more specificity can be obtained by separately modelling the properties of individual fibre populations within a voxel. In the context of cross-subjects modelling, these so-called fixel-based analyses require identifying equivalent fibre populations. This is usually done post-hoc, after estimating fibre orientations for individual subjects independently and subsequently matching the fixels between subjects. This approach can fail due to individual differences in fibre orientation distributions. Here, we introduce a hierarchical framework for fitting crossing fibre models to diffusion MRI data in a population of subjects. This hierarchical setup guarantees that the crossing fibres are consistent by construction and, therefore, comparable across subjects. We propose an expectation-maximisation approach to fit the model, which can scale to large numbers of subjects. This approach produces a crossing-fibre white matter fibre template, which can be used to estimate fibre-specific parameters that are consistent across subjects and, hence, can be used in fixel-based statistical analyses.