Tractography based on non-invasive diffusion imaging is central to the study of human brain connectivity. To date, the approach has not been systematically validated in ground truth studies. Based on a simulated human brain data set with ground truth tracts, we organized an open international tractography challenge, which resulted in 96 distinct submissions from 20 research groups. Here, we report the encouraging finding that most state-of-the-art algorithms produce tractograms containing 90% of the ground truth bundles (to at least some extent). However, the same tractograms contain many more invalid than valid bundles, and half of these invalid bundles occur systematically across research groups. Taken together, our results demonstrate and confirm fundamental ambiguities inherent in tract reconstruction based on orientation information alone, which need to be considered when interpreting tractography and connectivity results. Our approach provides a novel framework for estimating reliability of tractography and encourages innovation to address its current limitations.

Abstract White matter bundle segmentation using diffusion MRI fiber tractography has become the method of choice to identify white matter fiber pathways in vivo in human brains. However, like other analyses of complex data, there is considerable variability in segmentation protocols and techniques. This can result in different reconstructions of the same intended white matter pathways, which directly affects tractography results, quantification, and interpretation. In this study, we aim to evaluate and quantify the variability that arises from different protocols for bundle segmentation. Through an open call to users of fiber tractography, including anatomists, clinicians, and algorithm developers, 42 independent teams were given processed sets of human whole-brain streamlines and asked to segment 14 white matter fascicles on six subjects. In total, we received 57 different bundle segmentation protocols, which enabled detailed volume-based and streamline-based analyses of agreement and disagreement among protocols for each fiber pathway. Results show that even when given the exact same sets of underlying streamlines, the variability across protocols for bundle segmentation is greater than all other sources of variability in the virtual dissection process, including variability within protocols and variability across subjects. In order to foster the use of tractography bundle dissection in routine clinical settings, and as a fundamental analytical tool, future endeavors must aim to resolve and reduce this heterogeneity. Although external validation is needed to verify the anatomical accuracy of bundle dissections, reducing heterogeneity is a step towards reproducible research and may be achieved through the use of standard nomenclature and definitions of white matter bundles and well-chosen constraints and decisions in the dissection process.

Abstract Recent advances in diffusion magnetic resonance imaging (dMRI) analysis techniques have improved our understanding of fibre-specific variations in white matter microstructure. Increasingly, studies are adopting multi-shell dMRI acquisitions to improve the robustness of dMRI-based inferences. However, the impact of b-value choice on the estimation of dMRI measures such as apparent fibre density (AFD) derived from spherical deconvolution is not known. Here, we investigate the impact of b-value sampling scheme on estimates of AFD. First, we performed simulations to assess the correspondence between AFD and simulated intra-axonal signal fraction across multiple b-value sampling schemes. We then studied the impact of sampling scheme on the relationship between AFD and age in a developmental population (n=78) aged 8-18 (mean=12.4, SD=2.9 years) using hierarchical clustering and whole brain fixel-based analyses. Multi-shell dMRI data were collected at 3.0T using ultra-strong gradients (300 mT/m), using 6 diffusion-weighted shells ranging from 0 – 6000 s/mm 2 . Simulations revealed that the correspondence between estimated AFD and simulated intra-axonal signal fraction was improved with high b-value shells due to increased suppression of the extra-axonal signal. These results were supported by in vivo data, as sensitivity to developmental age-relationships was improved with increasing b-value (b=6000 s/mm 2 , median R 2 = .34; b=4000 s/mm 2 , median R 2 = .29; b=2400 s/mm 2 , median R 2 = .21; b=1200 s/mm 2 , median R 2 = .17) in a tract-specific fashion. Overall, estimates of AFD and age-related microstructural development were better characterised at high diffusion-weightings due to improved correspondence with intra-axonal properties.

Abstract Various diffusion MRI measures have been proposed for characterising tissue microstructure over the last 15 years. Despite the growing number of experiments using different diffusion measures in assessments of white matter, there has been limited work on: 1) examining their covariance along specific pathways; and on 2) combining these different measures to study tissue microstructure. In this work, we first demonstrate redundancies in the amount of information captured by 10 diffusion tensor imaging (DTI) and high angular resolution diffusion imaging (HARDI) measures. Using a data-reduction approach, we identified two biologically-interpretable components that capture 80% of the variance in commonly-used DTI and HARDI measures profiled along 22 brain pathways extracted from typically developing children aged 8 - 18 years (n = 36). The first derived component captures properties related to hindrance and restriction in tissue microstructure, while the second component reflects characteristics related to tissue complexity and orientational dispersion. We demonstrate that the components generated by this approach preserve the biological relevance of the original measurements by showing age-related effects across developmentally sensitive pathways. Our results also suggest that HARDI measures are more sensitive at detecting age-related changes in tissue microstructure than DTI measures.

Abstract It is estimated that in the human brain, short association fibres (SAF) represent more than half of the total white matter volume and their involvement has been implicated in a range of neurological and psychiatric conditions. This population of fibres, however, remains relatively understudied in the neuroimaging literature. Some of the challenges pertinent to the mapping of SAF include their variable anatomical course and proximity to the cortical mantle, leading to partial volume effects and potentially affecting streamline trajectory estimation. This work considers the impact of seeding and filtering strategies and choice of scanner, acquisition, data resampling to propose a whole-brain, surface-based short (≤30-40 mm) SAF tractography approach. The framework is shown to produce longer streamlines with a predilection for connecting gyri as well as high cortical coverage. We further demonstrate that certain areas of subcortical white matter become disproportionally underrepresented in diffusion-weighted MRI data with lower angular and spatial resolution and weaker diffusion weighting; however, collecting data with stronger gradients than are usually available clinically has minimal impact, making our framework translatable to data collected on commonly available hardware. Finally, the tractograms are examined using voxel- and surfacebased measures of consistency, demonstrating moderate reliability, low repeatability and high between-subject variability, urging caution when streamline count-based analyses of SAF are performed.

ABSTRACT The role of white matter fibers in reading has been established by diffusion tensor imaging (DTI), but DTI cannot identify specific microstructural features driving these relationships. Neurite orientation dispersion and density imaging (NODDI), inhomogeneous magnetization transfer (ihMT) and multicomponent driven equilibrium single-pulse observation of T1/T2 (mcDESPOT) can be used to link more specific aspects of white matter microstructure and reading due to their sensitivity to axonal packing and fiber coherence (NODDI) and myelin (ihMT and mcDESPOT). We applied principal component analysis (PCA) to combine DTI, NODDI, ihMT and mcDESPOT measures (10 in total), identify major features of white matter structure, and link these features to both reading and age. Analysis was performed for nine reading-related tracts in 46 neurotypical 6-16 year olds. We identified three principal components (PCs) which explained 79.5% of variance in our dataset. PC1 probed tissue complexity, PC2 described myelin and axonal packing, while PC3 was related to axonal diameter. Mixed effects models regressions did not identify any relationships between principal components and reading skill. Further Bayes factor analysis revealed that absence of relationships was not due to low power. PC1 suggested increases in tissue complexity with age in the left arcuate fasciculus, while PC2 suggested increases in myelin and axonal packing with age in the bilateral arcuate, inferior longitudinal, inferior fronto-occipital fasciculi, and splenium. Multimodal white matter imaging and PCA produce microstructurally informative, powerful principal components which can be used by future studies of development and cognition.

Neuroanatomical changes to the cortex during adolescence have been well documented using MRI, revealing ongoing cortical thinning and volume loss with age. However, the underlying cellular mechanisms remain elusive with conventional neuroimaging. Recent advances in MRI hardware and new biophysical models of tissue informed by diffusion MRI data hold promise for identifying the cellular changes driving these morphological observations. This study used ultra-strong gradient MRI to obtain high-resolution, in vivo estimates of cortical neurite and soma microstructure in sample of typically developing children and adolescents. Cortical neurite signal fraction, attributed to neuronal and glial processes, increased with age (mean R

Diffusion MRI fiber tractography is widely used to probe the structural connectivity of the brain, with a range of applications in both clinical and basic neuroscience. Despite widespread use, tractography has well-known pitfalls that limits the anatomical accuracy of this technique. Numerous modern methods have been developed to address these shortcomings through advances in acquisition, modeling, and computation. To test whether these advances improve tractography accuracy, we organized the ISBI 2018 3D Validation of Tractography with Experimental MRI (3D VoTEM) challenge. We made available three unique independent tractography validation datasets, a physical phantom and two ex vivo brain specimens, resulting in 176 distinct submissions from 9 research groups. By comparing results over a wide range of fiber complexities and algorithmic strategies, this challenge provides a more comprehensive assessment of tractographys inherent limitations than has been reported previously. The central results were consistent across all sub-challenges in that, despite advances in tractography methods, the anatomical accuracy of tractography has not dramatically improved in recent years. Taken together, our results independently confirm findings from decades of tractography validation studies, demonstrate inherent limitations in reconstructing white matter pathways using diffusion MRI data alone, and highlight the need for alternative or combinatorial strategies to accurately map the fiber pathways of the brain.

Diffusion magnetic resonance imaging (dMRI) provides insight into the micro and macro-structure of the brain. Multi-shell multi-tissue constrained spherical deconvolution (MSMT-CSD) models the underlying local fiber orientation distributions (FODs) using the dMRI signal. While generally producing high-quality FODs, MSMT-CSD is a voxel-wise method that can be impacted by noise and produce erroneous FODs. Local models also do not make use of the spatial correlation that is present between neighboring voxels to increase inference power. In the case of MSMT-CSD, costly interpolation computations are necessary to obtain FODs outside of the voxel center points. Expanding upon previous work, we apply the implicit neural representation (INR) methodology to the MSMT-CSD model. This results in an unsupervised machine learning framework that generates a continuous representation of a given dMRI dataset. The input of the INR consists of coordinates in the volume, which produce the spherical harmonics coefficients parameterizing an FOD at any desired location. A key characteristic of our model is its ability to leverage spatial correlations in the volume, which acts as a form of regularization. We evaluate the output FODs quantitatively and qualitatively in synthetic and real dMRI datasets and compare them to existing methods.

Abstract Converging evidence from studies of human and nonhuman animals suggests that the hippocampus contributes to sequence learning by using temporal context to bind sequentially occurring items. The fornix is a white matter pathway containing the major input and output pathways of the hippocampus, including projections from medial septum, and to diencephalon, striatum, and prefrontal cortex. If the fornix meaningfully contributes to hippocampal function, then individual differences in fornix microstructure might predict sequence memory. Here, we tested this prediction by performing tractography in 51 healthy adults who had undertaken a sequence memory task. Microstructure properties of the fornix were compared with those of tracts connecting medial temporal lobe regions, but not predominantly the hippocampus: the Parahippocampal Cingulum bundle (PHC) (conveying retrosplenial projections to parahippocampal cortex) and the Inferior Longitudinal Fasciculus (ILF) (conveying occipital projections to perirhinal cortex). Using principal components analysis, we combined Diffusion Tensor Imaging and Neurite Orientation Dispersion and Density Imaging measures obtained from multi-shell diffusion MRI into two informative indices, the first (PC1) capturing axonal packing/myelin, the second (PC2) capturing microstructural complexity. We found a significant correlation between fornix PC2 and implicit reaction-time indices of sequence memory, indicating that greater fornix microstructural complexity is associated with better sequence memory. No such relationship was found with measures from the PHC and ILF. This study highlights the importance of the fornix in aiding memory for objects within a temporal context, potentially reflecting a role in mediating network communication within an extended hippocampal system.