Brain maturation is a complex process that continues well beyond infancy, and adolescence is thought to be a key period of brain rewiring. To assess structural brain maturation from childhood to adulthood, we charted brain development in subjects aged 5 to 30 years using diffusion tensor magnetic resonance imaging, a novel brain imaging technique that is sensitive to axonal packing and myelination and is particularly adept at virtually extracting white matter connections. Age-related changes were seen in major white matter tracts, deep gray matter, and subcortical white matter, in our large (n = 202), age-distributed sample. These diffusion changes followed an exponential pattern of maturation with considerable regional variation. Differences observed in developmental timing suggest a pattern of maturation in which areas with fronto-temporal connections develop more slowly than other regions. These in vivo results expand upon previous postmortem and imaging studies and provide quantitative measures indicative of the progression and magnitude of regional human brain maturation.

To estimate diffusion tensor MRI (DTI) measures, such as fractional anisotropy and fiber orientation, reliably, a large number of diffusion-encoded images is needed, preferably cardiac gated to reduce pulsation artifacts. However, the concomitant longer acquisition times increase the chances of subject motion adversely affecting the estimation of these measures. While correcting for motion artifacts improves the accuracy of DTI, an often overlooked step in realigning the images is to reorient the B-matrix so that orientational information is correctly preserved. To the best of our knowledge, most research groups and software packages currently omit this reorientation step. Given the recent explosion of DTI applications including, for example, neurosurgical planning (in which errors can have drastic consequences), it is important to investigate the impact of neglecting to perform the B-matrix reorientation. In this work, a systematic study to investigate the effect of neglecting to reorient the B-matrix on DTI data during motion correction is presented. The consequences for diffusion fiber tractography are also discussed.

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.

It has long been recognized that the diffusion tensor model is inappropriate to characterize complex fiber architecture, causing tensor‐derived measures such as the primary eigenvector and fractional anisotropy to be unreliable or misleading in these regions. There is however still debate about the impact of this problem in practice. A recent study using a Bayesian automatic relevance detection (ARD) multicompartment model suggested that a third of white matter (WM) voxels contain crossing fibers, a value that, whilst already significant, is likely to be an underestimate. The aim of this study is to provide more robust estimates of the proportion of affected voxels, the number of fiber orientations within each WM voxel, and the impact on tensor‐derived analyses, using large, high‐quality diffusion‐weighted data sets, with reconstruction parameters optimized specifically for this task. Two reconstruction algorithms were used: constrained spherical deconvolution (CSD), and the ARD method used in the previous study. We estimate the proportion of WM voxels containing crossing fibers to be ∼90% (using CSD) and 63% (using ARD). Both these values are much higher than previously reported, strongly suggesting that the diffusion tensor model is inadequate in the vast majority of WM regions. This has serious implications for downstream processing applications that depend on this model, particularly tractography, and the interpretation of anisotropy and radial/axial diffusivity measures. Hum Brain Mapp 34:2747–2766, 2013. © 2012 Wiley Periodicals, Inc.

Despite an increasing amount of specific correlation studies between structural and functional connectivity, there is still a need for combined studies, especially in pathological conditions. Impairments of brain white matter (WM) and diffuse axonal injuries are commonly suspected to be responsible for the disconnection hypothesis in traumatic brain injury (TBI) patients. Moreover, our previous research on TBI patients shows a strong relationship between abnormalities in topological organization of brain networks and behavioral deficits. In this study, we combined task-related functional connectivity (using event-related fMRI) with structural connectivity (derived from fiber tractography using diffusion MRI data) estimates in the same participants (17 adults with TBI and 16 controls), allowing for direct comparison between graph metrics of the different imaging modalities. Connectivity matrices were computed covering the switching motor network, which includes the basal ganglia, anterior cingulate cortex/supplementary motor area, and anterior insula/inferior frontal gyrus. The edges constituting this network consisted of the partial correlations between the fMRI time series from each node of the switching motor network. The interregional anatomical connections between the switching-related areas were determined using the fiber tractography results. We found that graph metrics and hubs obtained showed no agreement in both groups. The topological properties of brain functional networks could not be solely accounted for by the properties of the underlying structural networks. However, combining complementary information from both imaging modalities could improve accuracy in prediction of switching performance. Direct comparison between functional task-related and anatomical structural connectivity, presented here for the first time in TBI patients, links two powerful approaches to map the patterns of brain connectivity that may underlie behavioral deficits in brain-injured patients.

Linear least squares estimators are widely used in diffusion MRI for the estimation of diffusion parameters. Although adding proper weights is necessary to increase the precision of these linear estimators, there is no consensus on how to practically define them. In this study, the impact of the commonly used weighting strategies on the accuracy and precision of linear diffusion parameter estimators is evaluated and compared with the nonlinear least squares estimation approach. Simulation and real data experiments were done to study the performance of the weighted linear least squares estimators with weights defined by (a) the squares of the respective noisy diffusion-weighted signals; and (b) the squares of the predicted signals, which are reconstructed from a previous estimate of the diffusion model parameters. The negative effect of weighting strategy (a) on the accuracy of the estimator was surprisingly high. Multi-step weighting strategies yield better performance and, in some cases, even outperformed the nonlinear least squares estimator. If proper weighting strategies are applied, the weighted linear least squares approach shows high performance characteristics in terms of accuracy/precision and may even be preferred over nonlinear estimation methods.

Abstract Psychiatric disorders are characterized by major fluctuations in psychological function over the course of weeks and months, but the dynamic characteristics of brain function over this timescale in healthy individuals are unknown. Here, as a proof of concept to address this question, we present the MyConnectome project. An intensive phenome-wide assessment of a single human was performed over a period of 18 months, including functional and structural brain connectivity using magnetic resonance imaging, psychological function and physical health, gene expression and metabolomics. A reproducible analysis workflow is provided, along with open access to the data and an online browser for results. We demonstrate dynamic changes in brain connectivity over the timescales of days to months, and relations between brain connectivity, gene expression and metabolites. This resource can serve as a testbed to study the joint dynamics of human brain and metabolic function over time, an approach that is critical for the development of precision medicine strategies for brain disorders.

Having gained a tremendous amount of popularity since its introduction in 2006, tract-based spatial statistics (TBSS) can now be considered as the standard approach for voxel-based analysis (VBA) of diffusion tensor imaging (DTI) data. Aiming to improve the sensitivity, objectivity, and interpretability of multi-subject DTI studies, TBSS includes a skeletonization step that alleviates residual image misalignment and obviates the need for data smoothing. Although TBSS represents an elegant and user-friendly framework that tackles numerous concerns existing in conventional VBA methods, it has limitations of its own, some of which have already been detailed in recent literature. In this work, we present general methodological considerations on TBSS and report on pitfalls that have not been described previously. In particular, we have identified specific assumptions of TBSS that may not be satisfied under typical conditions. Moreover, we demonstrate that the existence of such violations can severely affect the reliability of TBSS results. With TBSS being used increasingly, it is of paramount importance to acquaint TBSS users with these concerns, such that a well-informed decision can be made as to whether and how to pursue a TBSS analysis. Finally, in addition to raising awareness by providing our new insights, we provide constructive suggestions that could improve the validity and increase the impact of TBSS drastically.

Diffusion tensor MRI (DT-MRI) is the only non-invasive method for characterising the microstructural organization of tissue in vivo. Generating parametric maps that help to visualise different aspects of the tissue microstructure (mean diffusivity, tissue anisotropy and dominant fibre orientation) involves a number of steps from deciding on the optimal acquisition parameters on the scanner, collecting the data, pre-processing the data and fitting the model to generating final parametric maps for entry into statistical data analysis. Here, we describe an entire protocol that we have used on over 400 subjects with great success in our laboratory. In the 'Notes' section, we justify our choice of the various parameters/choices along the way so that the reader may adapt/modify the protocol to their own time/hardware constraints.

Abstract Constrained spherical deconvolution (CSD) is a new technique that, based on high‐angular resolution diffusion imaging (HARDI) MR data, estimates the orientation of multiple intravoxel fiber populations within regions of complex white matter architecture, thereby overcoming the limitations of the widely used diffusion tensor imaging (DTI) technique. One of its main applications is fiber tractography. The noisy nature of diffusion‐weighted (DW) images, however, affects the estimated orientations and the resulting fiber trajectories will be subject to uncertainty. The impact of noise can be large, especially for HARDI measurements, which employ relatively high b ‐values. To quantify the effects of noise on fiber trajectories, probabilistic tractography was introduced, which considers multiple possible pathways emanating from one seed point, taking into account the uncertainty of local fiber orientations. In this work, a probabilistic tractography algorithm is presented based on CSD and the residual bootstrap. CSD, which provides accurate and precise estimates of multiple fiber orientations, is used to extract the local fiber orientations. The residual bootstrap is used to estimate fiber tract probability within a clinical time frame, without prior assumptions about the form of uncertainty in the data. By means of Monte Carlo simulations, the performance of the CSD fiber pathway uncertainty estimator is measured in terms of accuracy and precision. In addition, the performance of the proposed method is compared to state‐of‐the‐art DTI residual bootstrap tractography and to an existing probabilistic CSD tractography algorithm using clinical DW data. Hum Brain Mapp, 2011. © 2010 Wiley‐Liss, Inc.