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 Brain atlases have proven to be valuable neuroscience tools for localizing regions of interest and performing statistical inferences on populations. Although many human brain atlases exist, most do not contain information about white matter structures, often neglecting them completely or labelling all white matter as a single homogenous substrate. While few white matter atlases do exist based on diffusion MRI fiber tractography, they are often limited to descriptions of white matter as spatially separate “regions” rather than as white matter “bundles” or fascicles, which are well-known to overlap throughout the brain. Additional limitations include small sample sizes, few white matter pathways, and the use of outdated diffusion models and techniques. Here, we present a new population-based collection of white matter atlases represented in both volumetric and surface coordinates in a standard space. These atlases are based on 2443 subjects, and include 216 white matter bundles derived from 6 different state-of-the-art tractography techniques. This atlas is freely available and will be a useful resource for parcellation and segmentation.

Abstract Purpose Diffusion weighted MRI imaging (DWI) is often subject to low signal-to-noise ratios (SNRs) and artifacts. Recent work has produced software tools that can correct individual problems, but these tools have not been combined with each other and with quality assurance (QA). A single integrated pipeline is proposed to perform DWI preprocessing with a spectrum of tools and produce an intuitive QA document. Methods The proposed pipeline, built around the FSL, MRTrix3, and ANTs software packages, performs DWI denoising; inter-scan intensity normalization; susceptibility-, eddy current-, and motion-induced artifact correction; and slice-wise signal drop-out imputation. To perform QA on the raw and preprocessed data and each preprocessing operation, the pipeline documents qualitative visualizations, quantitative plots, gradient verifications, and tensor goodness-of-fit and fractional anisotropy analyses. Results Raw DWI data were preprocessed and quality checked with the proposed pipeline and demonstrated improved SNRs; physiologic intensity ratios; corrected susceptibility-, eddy current-, and motion-induced artifacts; imputed signal-lost slices; and improved tensor fits. The pipeline identified incorrect gradient configurations and file-type conversion errors and was shown to be effective on externally available datasets. Conclusion The proposed pipeline is a single integrated pipeline that combines established diffusion preprocessing tools from major MRI-focused software packages with intuitive QA.

Abstract Characterizing and understanding the limitations of diffusion MRI fiber tractography is a prerequisite for methodological advances and innovations which will allow these techniques to accurately map the connections of the human brain. The so-called “crossing fiber problem” has received tremendous attention and has continuously triggered the community to develop novel approaches for disentangling distinctly oriented fiber populations. Perhaps an even greater challenge occurs when multiple white matter bundles converge within a single voxel, or throughout a single brain region, and share the same parallel orientation, before diverging and continuing towards their final cortical or sub-cortical terminations. These so-called “bottleneck” regions contribute to the ill-posed nature of the tractography process, and lead to both false positive and false negative estimated connections. Yet, as opposed to the extent of crossing fibers, a thorough characterization of bottleneck regions has not been performed. The aim of this study is to quantify the prevalence of bottleneck regions. To do this, we use diffusion tractography to segment known white matter bundles of the brain, and assign each bundle to voxels they pass through and to specific orientations within those voxels (i.e. fixels). We demonstrate that bottlenecks occur in greater than 50-70% of fixels in the white matter of the human brain. We find that all projection, association, and commissural fibers contribute to, and are affected by, this phenomenon, and show that even regions traditionally considered “single fiber voxels” often contain multiple fiber populations. Together, this study shows that a majority of white matter presents bottlenecks for tractography which may lead to incorrect or erroneous estimates of brain connectivity or quantitative tractography (i.e., tractometry), and underscores the need for a paradigm shift in the process of tractography and bundle segmentation for studying the fiber pathways of the human brain.

ABSTRACT Purpose Diffusion weighted imaging (DWI) allows investigators to identify structural, microstructural, and connectivitybased differences between subjects, but variability due to session and scanner biases is a challenge. Methods To investigate DWI variability, we present MASiVar, a multisite dataset consisting of 319 diffusion scans acquired at 3T from b = 1000 to 3000 s/mm 2 across 14 healthy adults, 83 healthy children (5 to 8 years), three sites, and four scanners as a publicly available, preprocessed, and de-identified dataset. With the adult data, we demonstrate the capacity of MASiVar to simultaneously quantify the intrasession, intersession, interscanner, and intersubject variability of four common DWI processing approaches: (1) a tensor signal representation, (2) a multi-compartment neurite orientation dispersion and density model, (3) white matter bundle segmentation, and (4) structural connectomics. Respectively, we evaluate region-wise fractional anisotropy (FA), mean diffusivity, and principal eigenvector; region-wise cerebral spinal fluid volume fraction, intracellular volume fraction, and orientation dispersion index; bundle-wise shape, volume, FA, and length; and whole connectome correlation and maximized modularity, global efficiency, and characteristic path length. Results We plot the variability in these measures at each level and find that it consistently increases with intrasession to intersession to interscanner to intersubject effects across all processing approaches and that sometimes interscanner variability can approach intersubject variability. Conclusions This study demonstrates the potential of MASiVar to more globally investigate DWI variability across multiple levels and processing approaches simultaneously and suggests harmonization between scanners for multisite analyses should be considered prior to inference of group differences on subjects.

Abstract Quantifying the microstructural and macrostructural geometrical features of the human brain’s connections is necessary for understanding normal aging and disease. Here, we examine brain white matter diffusion magnetic resonance imaging data from one cross-sectional and two longitudinal datasets totaling in 1184 subjects and 2236 sessions of people aged 50-97 years. Data was drawn from well-established cohorts, including the Baltimore Longitudinal Study of Aging dataset, Cambridge Centre for Ageing Neuroscience dataset, and the Vanderbilt Memory & Aging Project. Quantifying 4 microstructural features and, for the first time, 11 macrostructure-based features of volume, area, and length across 120 white matter pathways, we apply linear mixed effect modeling to investigate changes in pathway-specific features over time, and document large age associations within white matter. Conventional diffusion tensor microstructure indices are the most age-sensitive measures, with positive age associations for diffusivities and negative age associations with anisotropies, with similar patterns observed across all pathways. Similarly, pathway shape measures also change with age, with negative age associations for most length, surface area, and volume-based features. A particularly novel finding of this study is that while trends were homogeneous throughout the brain for microstructure features, macrostructural features demonstrated heterogeneity across pathways, whereby several projection, thalamic, and commissural tracts exhibited more decline with age compared to association and limbic tracts. The findings from this large-scale study provide a comprehensive overview of the age-related decline in white matter and demonstrate that macrostructural features may be more sensitive to heterogeneous white matter decline. Therefore, leveraging macrostructural features may be useful for studying aging and could have widespread implications for a variety of neurodegenerative disorders.

Abstract Superficial white matter (SWM) represents a significantly understudied part of the human brain, despite comprising a large portion of brain volume and making up a majority of cortical structural connections. Using multiple, high-quality, datasets with large sample sizes (N=2421, age range 5-100) in combination with methodological advances in tractography, we quantified features of SWM volume and thickness across the brain and across the lifespan. We address four questions: (1) How does U-fiber volume change with age? (2) What does U-fiber thickness look like across the brain? (3) How does SWM thickness change with age? (4) Are there relationships between SWM thickness and cortical features? Our main findings are that (1) SWM volume shows unique volumetric trajectories with age that are distinct from gray matter and other white matter trajectories; (2) SWM thickness varies across the brain, with patterns robust across individuals and across the population at the region-level and vertex-level; (3) SWM shows nonlinear changes across the lifespan that vary across regions; and (4) SWM thickness is associated with cortical thickness and curvature. For the first time, we show that SWM volume follows a similar trend as overall white matter volume, peaking at a similar time in adolescence, leveling off throughout adulthood, and decreasing with age thereafter. Notably, the relative fraction of total brain volume of SWM continuously increases with age, and consequently takes up a larger proportion of total white matter volume, unlike the other tissue types that decrease with respect to total brain volume. This study represents the first characterization of SWM features across the lifespan and provides the background for characterizing normal aging and insight into the mechanisms associated with SWM development and decline.

Abstract Diffusion MRI (dMRI) streamline tractography is the gold-standard for in vivo estimation of white matter (WM) pathways in the brain. However, the high angular resolution dMRI acquisitions capable of fitting the microstructural models needed for tractography are often time-consuming and not routinely collected clinically, restricting the scope of tractography analyses. To address this limitation, we build on recent advances in deep learning which have demonstrated that streamline propagation can be learned from dMRI directly without traditional model fitting. Specifically, we propose learning the streamline propagator from T1w MRI to facilitate arbitrary tractography analyses when dMRI is unavailable. To do so, we present a novel convolutional-recurrent neural network (CoRNN) trained in a teacher-student framework that leverages T1w MRI, associated anatomical context, and streamline memory from data acquired for the Human Connectome Project. We characterize our approach under two common tractography paradigms, WM bundle analysis and structural connectomics, and find approximately a 5-15% difference between measures computed from streamlines generated with our approach and those generated using traditional dMRI tractography. When placed in the literature, these results suggest that the accuracy of WM measures computed from T1w MRI with our method is on the level of scan-rescan dMRI variability and raise an important question: is tractography truly a microstructural phenomenon, or has dMRI merely facilitated its discovery and implementation?

Abstract Diffusion MRI (dMRI) has become an invaluable tool to assess the microstructural organization of brain tissue. Depending on the specific acquisition settings, the dMRI signal encodes specific properties of the underlying diffusion process. In the last two decades, several signal representations have been proposed to fit the dMRI signal and decode such properties. Most methods, however, are tested and developed on a limited amount of data, and their applicability to other acquisition schemes remains unknown. With this work, we aimed to shed light on the generalizability of existing dMRI signal representations to different diffusion encoding parameters and brain tissue types. To this end, we organized a community challenge - named MEMENTO, making available the same datasets for fair comparisons across algorithms and techniques. We considered two state-of-the-art diffusion datasets, including single-diffusion-encoding (SDE) spin-echo data from a human brain with over 3820 unique diffusion weightings (the MASSIVE dataset), and double (oscillating) diffusion encoding data (DDE/DODE) of a mouse brain including over 2520 unique data points. A subset of the data sampled in 5 different voxels was openly distributed, and the challenge participants were asked to predict the remaining part of the data. After one year, eight participant teams submitted a total of 80 signal fits. For each submission, we evaluated the mean squared error, the variance of the prediction error and the Bayesian information criteria. Most predictions predicted either multi-shell SDE data (37%) or DODE data (22%), followed by cartesian SDE data (19%) and DDE (18%). Most submissions predicted the signals measured with SDE remarkably well, with the exception of low and very strong diffusion weightings. The prediction of DDE and DODE data seemed more challenging, likely because none of the submissions explicitly accounted for diffusion time and frequency. Next to the choice of the model, decisions on fit procedure and hyperparameters play a major role in the prediction performance, highlighting the importance of optimizing and reporting such choices. This work is a community effort to highlight strength and limitations of the field at representing dMRI acquired with trending encoding schemes, gaining insights into how different models generalize to different tissue types and fiber configurations over a large range of diffusion encodings.

Abstract When investigating connectivity and microstructure of white matter pathways of the brain using diffusion tractography bundle segmentation, it is important to understand potential confounds and sources of variation in the process. While cross-scanner and cross-protocol effects on diffusion microstructure measures are well described (in particular fractional anisotropy and mean diffusivity), it is unknown how potential sources of variation effect bundle segmentation results, which features of the bundle are most affected, where variability occurs, nor how these sources of variation depend upon the method used to reconstruct and segment bundles. In this study, we investigate six potential sources of variation, or confounds, for bundle segmentation: variation (1) across scan repeats, (2) across scanners, (3) across vendors (4) across acquisition resolution, (5) across diffusion schemes, and (6) across diffusion sensitization. We employ four different bundle segmentation workflows on two benchmark multi-subject cross-scanner and cross-protocol databases, and investigate reproducibility and biases in volume overlap, shape geometry features of fiber pathways, and microstructure features within the pathways. We find that the effects of acquisition protocol, in particular acquisition resolution, result in the lowest reproducibility of tractography and largest variation of features, followed by vendor-effects, scanner-effects, and finally diffusion scheme and b-value effects which had similar reproducibility as scan-rescan variation. However, confounds varied both across pathways and across segmentation workflows, with some bundle segmentation workflows more (or less) robust to sources of variation. Despite variability, bundle dissection is consistently able to recover the same location of pathways in the deep white matter, with variation at the gray matter/ white matter interface. Next, we show that differences due to the choice of bundle segmentation workflows are larger than any other studied confound, with low-to-moderate overlap of the same intended pathway when segmented using different methods. Finally, quantifying microstructure features within a pathway, we show that tractography adds variability over-and-above that which exists due to noise, scanner effects, and acquisition effects. Overall, these confounds need to be considered when harmonizing diffusion datasets, interpreting or combining data across sites, and when attempting to understand the successes and limitations of different methodologies in the design and development of new tractography or bundle segmentation methods.