Diffusion tensor imaging (DTI) studies in schizophrenia demonstrate lower anisotropic diffusion within white matter due either to loss of coherence of white matter fiber tracts, to changes in the number and/or density of interconnecting fiber tracts, or to changes in myelination, although methodology as well as localization of such changes differ between studies. The aim of this study is to localize and to specify further DTI abnormalities in schizophrenia by combining DTI with magnetization transfer imaging (MTI), a technique sensitive to myelin and axonal alterations in order to increase specificity of DTI findings. 21 chronic schizophrenics and 26 controls were scanned using Line-Scan-Diffusion-Imaging and T1-weighted techniques with and without a saturation pulse (MT). Diffusion information was used to normalize co-registered maps of fractional anisotropy (FA) and magnetization transfer ratio (MTR) to a study-specific template, using the multi-channel daemon algorithm, designed specifically to deal with multidirectional tensor information. Diffusion anisotropy was decreased in schizophrenia in the following brain regions: the fornix, the corpus callosum, bilaterally in the cingulum bundle, bilaterally in the superior occipito-frontal fasciculus, bilaterally in the internal capsule, in the right inferior occipito-frontal fasciculus and the left arcuate fasciculus. MTR maps demonstrated changes in the corpus callosum, fornix, right internal capsule, and the superior occipito-frontal fasciculus bilaterally; however, no changes were noted in the anterior cingulum bundle, the left internal capsule, the arcuate fasciculus, or inferior occipito-frontal fasciculus. In addition, the right posterior cingulum bundle showed MTR but not FA changes in schizophrenia. These findings suggest that, while some of the diffusion abnormalities in schizophrenia are likely due to abnormal coherence, or organization of the fiber tracts, some of these abnormalities may, in fact, be attributed to or coincide with myelin/axonal disruption.

Background Evidence suggests that a disruption in limbic system network integrity and, in particular, the cingulate gyrus (CG), may play a role in the pathophysiology of schizophrenia; however, the cingulum bundle (CB), the white matter tract furnishing both input and output to CG, and the most prominent white matter fiber tract in the limbic system, has not been evaluated in schizophrenia using the new technology of diffusion tensor imaging (DTI). Methods We used line scan DTI to evaluate diffusion in the CB in 16 male schizophrenia patients and 18 male control subjects, group-matched for age, parental socioeconomic status, and handedness. We acquired 4-mm-thick coronal slices through the entire brain. Maps of fractional anisotropy (FA) were generated to quantify diffusion within the left and right CB on eight slices that included the central portion of the CB. Results Results showed group differences, bilaterally, in area and mean FA for CB, where patients showed smaller area and less anisotropy than controls. For patients, decreased left CB correlated significantly with attention and working memory measures as assessed by the Wisconsin Card Sorting Test. Conclusions These data provide strong evidence for CB disruptions in schizophrenia, which may be related to disease-related attention and working memory abnormalities.

Segmentation of brain tissue types from diffusion MRI (dMRI) is an important task, required for quantification of brain microstructure and for improving tractography. Current dMRI segmentation is mostly based on anatomical MRI (e.g., T1- and T2-weighted) segmentation that is registered to the dMRI space. However, such inter-modality registration is challenging due to more image distortions and lower image resolution in the dMRI data as compared with the anatomical MRI data. In this study, we present a deep learning method that learns tissue segmentation from high-quality imaging datasets from the Human Connectome Project (HCP), where registration of anatomical data to dMRI is more precise. The method is then able to predict a tissue segmentation directly from new dMRI data, including data collected with a different acquisition protocol, without requiring anatomical data and inter-modality registration. We train a convolutional neural network (CNN) to learn a tissue segmentation model using a novel augmented target loss function designed to improve accuracy in regions of tissue boundary. To further improve accuracy, our method adds diffusion kurtosis imaging (DKI) parameters that characterize non-Gaussian water molecule diffusion to the conventional diffusion tensor imaging parameters. The DKI parameters are calculated from the recently proposed mean-kurtosis-curve method that corrects implausible DKI parameter values and provides additional features that discriminate between tissue types. We demonstrate high tissue segmentation accuracy on HCP data, and also when applying the HCP-trained model on dMRI data from a clinical acquisition with lower resolution and fewer gradient directions.

ABSTRACT Specific features of white-matter microstructure can be investigated by using biophysical models to interpret relaxation-diffusion MRI brain data. Although more intricate models have the potential to reveal more details of the tissue, they also incur time-consuming parameter estimation that may con-verge to inaccurate solutions due to a prevalence of local minima in a degenerate fitting landscape. Machine-learning fitting algorithms have been proposed to accelerate the parameter estimation and increase the robustness of the attained estimates. So far, learning-based fitting approaches have been restricted to lower-dimensional microstructural models where dense sets of training data are easy to generate. Moreover, the degree to which machine learning can alleviate the degeneracy problem is poorly understood. For conventional least-squares solvers, it has been shown that degeneracy can be avoided by acquisition with optimized relaxation-diffusion-correlation protocols that include tensor-valued diffusion encoding; whether machine-learning techniques can offset these acquisition require-ments remains to be tested. In this work, we employ deep neural networks to vastly accelerate the fitting of a recently introduced high-dimensional relaxation-diffusion model of tissue microstructure. We also develop strategies for assessing the accuracy and sensitivity of function fitting networks and use those strategies to explore the impact of acquisition protocol design on the performance of the network. The developed learning-based fitting pipelines were tested on relaxation-diffusion data acquired with optimized and sub-sampled acquisition protocols. We found no evidence that machine-learning algorithms can by themselves replace a careful design of the acquisition protocol or correct for a degenerate fitting landscape.

Abstract Conventionally, as a preprocessing step, functional MRI (fMRI) data are spatially smoothed before further analysis, be it for activation mapping on task-based fMRI or functional connectivity analysis on resting-state fMRI data. When images are smoothed volumetrically, however, isotropic Gaussian kernels are generally used, which do not adapt to the underlying brain structure. Alternatively, cortical surface smoothing procedures provide the benefit of adapting the smoothing process to the underlying morphology, but require projecting volumetric data on to the surface. In this paper, leveraging principles from graph signal processing, we propose a volumetric spatial smoothing method that takes advantage of the gray-white and pial cortical surfaces, and as such, adapts the filtering process to the underlying morphological details at each point in the cortex.

Abstract Brain tissue microstructure is characterized by heterogeneous diffusivity and transversal relaxation rates. Standard diffusion MRI (dMRI) is acquired using a single echo time (TE) and only provides information about heterogeneous diffusivity in the underlying tissue. Combined relaxation diffusion MRI (rdMR) integrates dMRI with multiple TEs to probe the coupling between relaxation rate and diffusivity. This work introduces a method to model rdMRI data signals by characterizing the apparent relaxation rate related to dMRI with different b-values. The proposed approach can extrapolate dMRI signals to ultra-long or ultra-short TEs to increase or reduce signals from intra-neurite water to improve the characterization of neurite microstructure without solving multi-compartment models. The performance of the proposed method was examined using an in vivo dataset acquired from a clinical scanner to estimate neurite sizes.

Abstract Brain activation mapping using functional magnetic resonance imaging (fMRI) has been extensively studied in brain gray matter (GM), whereas in large disregarded for probing white matter (WM). This unbalanced treatment has been in part due to controversies in relation to the nature of the blood oxygenation level-dependent (BOLD) contrast in WM and its detachability. However, an accumulating body of studies has provided solid evidence of the functional significance of the BOLD signal in WM and has revealed that it exhibits anisotropic spatio-temporal correlations and structure-specific fluctuations concomitant with those of the cortical BOLD signal. In this work, we present an anisotropic spatial filtering scheme for smoothing fMRI data in WM that accounts for known spatial constraints on the BOLD signal in WM. In particular, the spatial correlation structure of the BOLD signal in WM is highly anisotropic and closely linked to local axonal structure in terms of shape and orientation, suggesting that isotropic Gaussian filters conventionally used for smoothing fMRI data are inadequate for denoising the BOLD signal in WM. The fundamental element in the proposed method is a graph-based description of WM that encodes the underlying anisotropy observed across WM, derived from diffusion-weighted MRI data. Based on this representation, and leveraging graph signal processing principles, we design subject-specific spatial filters that adapt to a subject’s unique WM structure at each position in the WM that they are applied at. We use the proposed filters to spatially smooth fMRI data in WM, as an alternative to the conventional practice of using isotropic Gaussian filters. We test the proposed filtering approach on two sets of simulated phantoms, showcasing its greater sensitivity and specificity for the detection of slender anisotropic activations, compared to that achieved with isotropic Gaussian filters. We also present WM activation mapping results on the Human Connectome Project’s 100-unrelated subject dataset, across seven functional tasks, showing that the proposed method enables the detection of streamline-like activations within axonal bundles.

ABSTRACT In this work, we leverage the Laplacian eigenbasis of voxelwise white matter (WM) graphs derived from diffusion-weighted MRI data, dubbed WM harmonics , to characterize the spatial structure of WM fMRI data. Our motivation for such a characterization is based on studies that show WM fMRI data exhibit a spatial correlational anisotropy that coincides with underlying fiber patterns. By quantifying the energy content of WM fMRI data associated with subsets of WM harmonics across multiple spectral bands, we show that the data exhibits notable subtle spatial modulations under functional load that are not manifested during rest. WM harmonics provide a novel means to study the spatial dynamics of WM fMRI data, in such way that the analysis is informed by the underlying anatomical structure.

Abstract Diffusion MRI (dMRI) is a useful probe of tissue microstructure but suffers from low signal-to-noise ratio (SNR) whenever high resolution and/or high diffusion encoding strengths are used. Low SNR leads not only to poor precision but also poor accuracy of the diffusion-weighted signal, as the rectified noise floor gives rise to a positive signal bias. Recently, super-resolution techniques have been proposed for signal acquisition at a low spatial resolution but high SNR, whereafter a higher spatial resolution is recovered by image reconstruction. In this work, we describe a super-resolution reconstruction framework for dMRI and investigate its performance with respect to signal accuracy and precision. Using strictly controlled phantom experiments, we show that the super-resolution approach improves accuracy by facilitating a more beneficial trade-off between spatial resolution and diffusion encoding strength before the noise floor affects the signal. Moreover, precision is shown to have a less straightforward dependency on acquisition, reconstruction, and intrinsic tissue parameters. Indeed, we find that a gain in precision from super-resolution reconstruction (SRR) is substantial only when some spatial resolution is sacrificed. We also demonstrated the value of SRR in the challenging combination of high resolution and spherical b-tensor encoding at ultrahigh b-values—a configuration that produces a unique contrast that emphasizes tissue in which diffusion is restricted in all directions. We conclude that SRR is most valuable in low-SNR conditions, where it can suppress rectified noise floor effects and recover signal with high accuracy. The in vivo application showcases a vastly superior image contrast when using SRR compared to conventional imaging, facilitating investigations of brain tissue that would otherwise have prohibitively low SNR, resolution or required non-conventional MRI hardware.

Filter exchange imaging (FEXI) is a double diffusion-encoding (DDE) sequence that is specifically sensitive to exchange between sites with different apparent diffusivities. FEXI uses a diffusion-encoding filtering block followed by a detection block at varying mixing times to map the exchange rate. Long mixing times enhance the sensitivity to exchange, but they pose challenges for imaging applications that require a stimulated echo sequence with crusher gradients. Thin imaging slices require strong crushers, which can introduce significant diffusion weighting and bias exchange rate estimates. Here, we treat the crushers as an additional encoding block and consider FEXI as a triple diffusion-encoding sequence. This allows the bias to be corrected in the case of multi-Gaussian diffusion, but not easily in the presence of restricted diffusion. Our approach addresses challenges in the presence of restricted diffusion and relies on the ability to independently gauge sensitivities to exchange and restricted diffusion for arbitrary gradient waveforms. It follows two principles: (i) the effects of crushers are included in the forward model using signal cumulant expansion; and (ii) timing parameters of diffusion gradients in filter and detection blocks are adjusted to maintain the same level of restriction encoding regardless of the mixing time. This results in the tuned exchange imaging (TEXI) protocol. The accuracy of exchange mapping with TEXI was assessed through Monte Carlo simulations in spheres of identical sizes and gamma-distributed sizes, and in parallel hexagonally packed cylinders. The simulations demonstrate that TEXI provides consistent exchange rates regardless of slice thickness and restriction size, even with strong crushers. However, the accuracy depends on b-values, mixing times, and restriction geometry. The constraints and limitations of TEXI are discussed, including suggestions for protocol adaptations. Further studies are needed to optimize the precision of TEXI and assess the approach experimentally in realistic, heterogeneous substrates.