Abstract Purpose Identify differences between the acquisition-time efficient axisymmetric diffusion kurtosis imaging (DKI) model and standard DKI and their consequences on biophysical parameter estimates using standard DKI parameters as the ground truth. Methods Noise-free, synthetic diffusion MRI (dMRI) human brain data are generated using standard DKI and fitted with axisymmetric DKI and standard DKI. Then, the five axisymmetric DKI tensor metrics (AxTM), the parallel and perpendicular diffusivity and kurtosis and mean of the kurtosis tensor, attainable with both DKI models are computed. Next, the five biophysical parameters axon water fraction and dispersion, extra axonal parallel and perpendicular diffusivity and intra axonal parallel diffusivity are estimated from the AxTM using the WMTI-Watson model. Finally, the number of substantially differing voxels (SDV), defined as voxels where estimation results of both DKI models differ more than 5%, is calculated for the AxTM and the biophysical parameters. Results For the AxTM, the number of SDV was biggest for the parallel (26%) and perpendicular (51%) kurtosis while the other three AxTM had very few SDV (less than 5%). The biophysical parameters had much more SDV than the AxTM from which they were computed, ranging from 29% to 50%. Conclusion Axisymmetric DKI is a viable alternative to standard DKI in studies focusing on effects based on the parallel and perpendicular diffusion and mean of the kurtosis tensor. However, our findings urge caution when using axisymmetric DKI to investigate effects based on the parallel and perpendicular kurtosis or use it to estimate the biophysical parameters.

Diffusion MRI (dMRI) has become a crucial imaging technique within the field of neuroscience and has an increasing number of clinical applications. Although most studies still focus on the brain, there is a growing interest in utilizing dMRI to investigate the healthy or injured spinal cord. The past decade has also seen the development of biophysical models that link MR-based diffusion measures to underlying microscopic tissue characteristics. Building upon 13 years of research and development, we present an open-source, MATLAB-based academic software toolkit dubbed ACID: A Comprehensive Toolbox for Image Processing and Modeling of Brain, Spinal Cord, and Post-mortem Diffusion MRI Data. ACID is designed to process and model dMRI data of the brain, spinal cord, and post-mortem specimens by incorporating state-of-the-art artifact correction tools, diffusion and kurtosis tensor imaging, and biophysical models that enable the estimation of microstructural properties in white matter. Additionally, the software includes an array of linear and non-linear fitting algorithms for accurate diffusion parameter estimation. By adhering to the Brain Imaging Data Structure (BIDS) data organization principles, ACID facilitates standardized analysis, ensures compatibility with other BIDS-compliant software, and aligns with the growing availability of large databases utilizing the BIDS format. Furthermore, ACID seamlessly integrates into the popular Statistical Parametric Mapping (SPM) framework, benefitting from a wide range of established segmentation, spatial processing, and statistical analysis tools as well as a large and growing number of SPM extensions. As such, this comprehensive toolbox covers the entire processing chain from raw DICOM data to group-level statistics, all within a single software package.

Abstract Multi-Parameter Mapping (MPM) is a comprehensive quantitative neuroimaging protocol that enables estimation of four physical parameters (longitudinal and effective transverse relaxation rates R 1 and , proton density PD , and magnetization transfer saturation MT sat ) that are sensitive to microstructural tissue properties such as iron and myelin content. Their capability to reveal microstructural brain differences, however, is tightly bound to controlling random noise and artefacts (e.g. caused by head motion) in the signal. Here, we introduced a method to estimate the local error of PD, R 1 and MT sat maps that captures both noise and artefacts on a routine basis without requiring additional data. To investigate the method’s sensitivity to random noise, we calculated the model-based signal-to-noise ratio (mSNR) and showed in measurements and simulations that it correlated linearly with an experimental raw-image-based SNR map. We found that the mSNR varied with MPM protocols, magnetic field strength (3T vs. 7T) and MPM parameters: it halved from PD to R 1 and decreased from PD to MT sat by a factor of 3-4. Exploring the artefact-sensitivity of the error maps, we generated robust MPM parameters using two successive acquisitions of each contrast and the acquisition-specific errors to down-weight erroneous regions. The resulting robust MPM parameters showed reduced variability at the group level as compared to their single-repeat or averaged counterparts. The error and mSNR maps may better inform power-calculations by accounting for local data quality variations across measurements. Code to compute the mSNR maps and robustly combined MPM maps is available in the open-source hMRI toolbox.

Purpose : To compare the estimation accuracy of axisymmetric diffusion kurtosis imaging (DKI) and standard DKI in combination with Rician bias correction (RBC) under the influence of noise. Methods : Axisymmetric DKI is more robust against noise-induced variation in the measured signal than standard DKI because of its reduced parameter space. However, its susceptibility to Rician noise bias at low signal-to-noise ratios (SNRs) is unknown. Here, we investigate two main questions: first, does Rician bias correction improve estimation accuracy of axisymmetric DKI?; second, is the estimation accuracy of axisymmetric DKI increased compared to standard DKI? Estimation accuracy was investigated on the five axisymmetric DKI tensor metrics (AxTM): the parallel and perpendicular diffusivity and kurtosis and the mean kurtosis, using a simulation study based on synthetic and in-vivo data. Results : We found that RBC was most effective for increasing accuracy of the parallel AxTM in highly to moderately aligned white matter. For the perpendicular AxTM, axisymmetric DKI without RBC performed slightly better than with RBC. However, the combination of axisymmetric DKI with RBC was the overall best performing algorithm across all five AxTM and the axisymmetric DKI framework itself substantially improved accuracy in tissues with low fiber alignment. Conclusion : The combination of axisymmetric DKI with RBC facilitates accurate DKI parameter estimation at unprecedented low SNRs (approx 15), possibly making it a valuable tool for neuroscience and clinical research studies where scan time is a limited resource. The tools used in this paper are publicly available in the open-source ACID toolbox for SPM.

Abstract Advances in neuroimaging acquisition protocols and denoising techniques, along with increasing magnetic field strengths, have dramatically improved the temporal signal‐to‐noise ratio (tSNR) in functional magnetic resonance imaging (fMRI). This permits spatial resolution with submillimeter voxel sizes and ultrahigh temporal resolution and opens a route toward performing precision fMRI in the brains of individuals. Yet ultrahigh spatial and temporal resolution comes at a cost: it reduces tSNR and, therefore, the sensitivity to the blood oxygen level‐dependent (BOLD) effect and other functional contrasts across the brain. Here we investigate the potential of various smoothing filters to improve BOLD sensitivity while preserving the spatial accuracy of activated clusters in single‐subject analysis. We introduce adaptive‐weight smoothing with optimized metrics (AWSOM), which addresses this challenge extremely well. AWSOM employs a local inference approach that is as sensitive as cluster‐corrected inference of data smoothed with large Gaussian kernels, but it preserves spatial details across multiple tSNR levels. This is essential for examining whole‐brain fMRI data because tSNR varies across the entire brain, depending on the distance of a brain region from the receiver coil, the type of setup, acquisition protocol, preprocessing, and resolution. We found that cluster correction in single subjects results in inflated family‐wise error and false positive rates. AWSOM effectively suppresses false positives while remaining sensitive even to small clusters of activated voxels. Furthermore, it preserves signal integrity, that is, the relative activation strength of significant voxels, making it a valuable asset for a wide range of fMRI applications. Here we demonstrate these features and make AWSOM freely available to the research community for download.