Abstract Fetal functional magnetic resonance imaging (fMRI) offers critical insight into the developing brain and could aid in predicting developmental outcomes. As the fetal brain is surrounded by heterogeneous tissue, it is not possible to use adult- or child-based segmentation toolboxes. Manually-segmented masks can be used to extract the fetal brain; however, this comes at significant time costs. Here, we present a new BIDS App for masking fetal fMRI, funcmasker-flex , that overcomes these issues with a robust 3D convolutional neural network (U-net) architecture implemented in an extensible and transparent Snakemake workflow. Open-access fetal fMRI data with manual brain masks from 159 fetuses (1103 total volumes) were used for training and testing the U-net model. We also tested generalizability of the model using 82 locally acquired functional scans from 19 fetuses, which included over 2300 manually segmented volumes. Dice metrics were used to compare performance of funcmasker-flex to the ground truth manually segmented volumes, and segmentations were consistently robust (all Dice metrics ≥0.74). The tool is freely available and can be applied to any BIDS dataset containing fetal bold sequences. funcmasker-flex reduces the need for manual segmentation, even when applied to novel fetal functional datasets, resulting in significant time-cost savings for performing fetal fMRI analysis.

Registration and segmentation of magnetic resonance (MR) and ultrasound (US) images could play an essential role in surgical planning and resectioning brain tumors. However, validating these techniques is challenging due to the scarcity of publicly accessible sources with high-quality ground truth information. To this end, we propose a unique set of segmentations (RESECT-SEG) of cerebral structures from the previously published RESECT dataset to encourage a more rigorous development and assessment of image-processing techniques for neurosurgery.

Abstract Significance Resting-state networks (RSN), particularly the sensorimotor network, begin to develop in the third trimester of pregnancy and mature extensively by term age. The integrity and structure of these networks have been linked to neurological health outcomes in neonates, highlighting the significance of monitoring RSN development. To this end, functional near-infrared spectroscopy (fNIRS) has emerged as a neuroimaging technique that utilizes near-infrared light to indirectly measure neural activity by detecting changes in oxygenated (HbO) and deoxygenated (HbR) hemoglobin concentrations. Compared to other imaging methods, fNIRS is non-invasive and allows for naturalistic monitoring of neural activity at the bedside, particularly in awake infants. Aim Use fNIRS to expand on previous findings regarding the development of functional networks in awake neonates. Approach fNIRS was acquired in 41 term-born neonates (17 females, gestational age range=36+0 to 42+1 weeks) within the first 48 hours after birth. Results Group level analysis of functional connectivity showed strong positive connectivity in most channel-pairs over the sensorimotor network, especially the left hemisphere (q < 0.05). Next, we examined the relationship between functional connectivity, gestational age and postnatal age, while controlling for sex and subject effects. Both gestational and postnatal age were found to be positively associated with an increase in functional connectivity in the sensorimotor RSN, especially in channels covering the posterior portion. Conclusions Our findings emphasize the importance of considering developmental changes in functional networks in awake infants. Moreover, our study demonstrates the potential of fNIRS as a valuable tool for studying neural activity in naturalistic settings in neonates.

Functional near-infrared spectroscopy (fNIRS) measures cortical hemodynamic changes, yet it cannot collect this information from subcortical structures, such as the thalamus, which is involved in several key functional networks. To address this drawback, we propose a machine-learning-based approach to predict cortical-thalamic functional connectivity using cortical fNIRS data. We applied graph convolutional networks (GCN) to two datasets obtained from healthy adults and neonates with early brain injuries, respectively. Each dataset contained fNIRS connectivity data as input to the predictive models, while the connectivity from functional magnetic resonance imaging (fMRI) served as training targets. GCN models performed better compared to conventional methods, such as support vector machine and feedforward fully connected artificial neural networks, on both identifying the connections as binary classification tasks, and regressing the quantified strengths of connections. We also propose the addition of inter-subject connections into the GCN kernels could improve performance and that GCN models are resilient to noise in fNIRS data. Our results show it is feasible to identify subcortical activity from cortical fNIRS recordings. The findings can potentially extend the use of fNIRS in clinical settings for brain monitoring in critically ill patients.

Abstract Background Three‐dimensional (3D) ultrasound (US) imaging has shown promise in non‐invasive monitoring of changes in the lateral brain ventricles of neonates suffering from intraventricular hemorrhaging. Due to the poorly defined anatomical boundaries and low signal‐to‐noise ratio, fully supervised methods for segmentation of the lateral ventricles in 3D US images require a large dataset of annotated images by trained physicians, which is tedious, time‐consuming, and expensive. Training fully supervised segmentation methods on a small dataset may lead to overfitting and hence reduce its generalizability. Semi‐supervised learning (SSL) methods for 3D US segmentation may be able to address these challenges but most existing SSL methods have been developed for magnetic resonance or computed tomography (CT) images. Purpose To develop a fast, lightweight, and accurate SSL method, specifically for 3D US images, that will use unlabeled data towards improving segmentation performance. Methods We propose an SSL framework that leverages the shape‐encoding ability of an autoencoder network to enforce complex shape and size constraints on a 3D U‐Net segmentation model. The autoencoder created pseudo‐labels, based on the 3D U‐Net predicted segmentations, that enforces shape constraints. An adversarial discriminator network then determined whether images came from the labeled or unlabeled data distributions. We used 887 3D US images, of which 87 had manually annotated labels and 800 images were unlabeled. Training/validation/testing sets of 25/12/50, 25/12/25 and 50/12/25 images were used for model experimentation. The Dice similarity coefficient (DSC), mean absolute surface distance (MAD), and absolute volumetric difference (VD) were used as metrics for comparing to other benchmarks. The baseline benchmark was the fully supervised vanilla 3D U‐Net while dual task consistency, shape‐aware semi‐supervised network, correlation‐aware mutual learning, and 3D U‐Net Ensemble models were used as state‐of‐the‐art benchmarks with DSC, MAD, and VD as comparison metrics. The Wilcoxon signed‐rank test was used to test statistical significance between algorithms for DSC and VD with the threshold being p < 0.05 and corrected to p < 0.01 using the Bonferroni correction. The random‐access memory (RAM) trace and number of trainable parameters were used to compare the computing efficiency between models. Results Relative to the baseline 3D U‐Net model, our shape‐encoding SSL method reported a mean DSC improvement of 6.5%, 7.7%, and 4.1% with a 95% confidence interval of 4.2%, 5.7%, and 2.1% using image data splits of 25/12/50, 25/12/25, and 50/12/25, respectively. Our method only used a 1GB increase in RAM compared to the baseline 3D U‐Net and required less than half the RAM and trainable parameters compared to the 3D U‐Net ensemble method. Conclusions Based on our extensive literature survey, this is one of the first reported works to propose an SSL method designed for segmenting organs in 3D US images and specifically one that incorporates unlabeled data for segmenting neonatal cerebral lateral ventricles. When compared to the state‐of‐the‐art SSL and fully supervised learning methods, our method yielded the highest DSC and lowest VD while being computationally efficient.

Background: Infantile hydrocephalus is characterized by an atypical accumulation of cerebrospinal fluid in the brain, diagnosed and treated before the age of 2 years. Hydrocephalus development is linked to thinning of the corpus callosum (CC), mainly due to the expansion of lateral ventricles, causing upward elevation and compression of periventricular and subcortical white matter. Methods: This study investigates structural alterations in the CC in children diagnosed with infantile hydrocephalus. We examined both macrostructural and microstructural facets of the CC, providing insights into the nature and extent of alterations associated with this condition. 18 patients with infantile hydrocephalus (mean age = 9 years), and 18 age and sex matched typically-developing healthy children, participated in the study. Structural magnetic resonance imaging and diffusion tensor imaging were utilized to assess CC volume and microstructure, respectively. Results: Our findings reveal reductions in CC volume, particularly in posterior area, and distinct microstructural disparities, notably pronounced in these same segments. Conclusions: Investigating these structural alterations provides an understanding into the mechanisms underlying the effects of infantile hydrocephalus on CC integrity, given its role as a neural bridge. This knowledge offers a more nuanced perspective on neurological disorders and underscores the significance of investigating the CC’s health in such contexts.

Introduction Registration to a standardized template (i.e. “normalization”) is a critical step when performing neuroimaging studies. We present a comparative study involving the evaluation of general-purpose registration algorithms for pediatric patients with shunt treated hydrocephalus. Our sample dataset presents a number of intersecting challenges for registration, representing the potentially large deformations to both brain structures and overall brain shape, artifacts from shunts, and morphological differences corresponding to age. The current study assesses the normalization accuracy of shunt-treated hydrocephalus patients using freely available neuroimaging registration tools. Methods Anatomical neuroimages from eight pediatric patients with shunt-treated hydrocephalus were normalized. Four non-linear registration algorithms were assessed in addition to the preprocessing steps of skull-stripping and bias-correction. Registration accuracy was assessed using the Dice Coefficient (DC) and Hausdorff Distance (HD) in subcortical and cortical regions. Results A total of 592 registrations were performed. On average, normalizations performed using the brain extracted and bias-corrected images had a higher DC and lower HD compared to full head/ non-biased corrected images. The most accurate registration was achieved using SyN by ANTs with skull-stripped and bias corrected images. Without preprocessing, the DARTEL Toolbox was able to produce normalized images with comparable accuracy. The use of a pediatric template as an intermediate registration did not improve normalization. Discussion Using structural neuroimages from patients with shunt-treated pediatric hydrocephalus, it was demonstrated that there are tools which perform well after specified pre-processing steps were taken. Overall, these results provide insight to the performance of registration programs that can be used for normalization of brains with complex pathologies.