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 Soma and Neurite Density Image (SANDI) is an advanced diffusion magnetic resonance imaging (dMRI) signal model devised to probe in vivo microstructural information from both grey and white matter. However, this model requires multi-shell acquisitions that include b-values that are at least 6 times higher than those used in clinical practice. Here we present a 10-minute acquisition protocol that enables to acquire the necessary images for SANDI modelling on a clinical 3T scanner. We demonstrate the feasibility and assess the repeatability and reproducibility of our approach by computing microstructural metrics of SANDI and other state-of-the-art models on five healthy subjects and we present its potential clinical impact on five subjects affected by multiple sclerosis with relapsing-remitting course. Our results suggest that SANDI is a repeatable, reproducible, feasible, and practical method to characterize both white and grey matter tissues in both the healthy brain and in neurological diseases.

Abstract Limitations in the accuracy of brain pathways reconstructed by diffusion MRI (dMRI) tractography have received considerable attention. While the technical advances spearheaded by the Human Connectome Project (HCP) led to significant improvements in dMRI data quality, it remains unclear how these data should be analyzed to maximize tractography accuracy. Over a period of two years, we have engaged the dMRI community in the IronTract Challenge, which aims to answer this question by leveraging a unique dataset. Macaque brains that have received both tracer injections and ex vivo dMRI at high spatial and angular resolution allow a comprehensive, quantitative assessment of tractography accuracy on state-of-the-art dMRI acquisition schemes. We find that, when analysis methods are carefully optimized, the HCP scheme can achieve similar accuracy as a more time-consuming, Cartesian-grid scheme. Importantly, we show that simple pre- and post-processing strategies can improve the accuracy and robustness of many tractography methods. Finally, we find that fiber configurations that go beyond crossing ( e . g ., fanning, branching) are the most challenging for tractography. The IronTract Challenge remains open and we hope that it can serve as a valuable validation tool for both users and developers of dMRI analysis methods.

ABSTRACT A central goal in neuroscience is the development of a comprehensive mapping between structural and functional brain features. Computational models support in vivo investigation of the mechanisms mediating this relationship but currently lack the requisite biological detail. Here, we characterize human structural brain networks weighted by multiple white matter microstructural features to assess their potential joint utilization in computational models. We report edge-weight-dependent spatial distributions, variance, small-worldness, rich club, hubs, as well as relationships with function, edge length and myelin. Contrasting networks weighted by the total intra-axonal cross-sectional area and myelin content of white matter tracts, we find opposite relationships with functional connectivity, an edge-length-independent inverse relationship with each other, and the lack of a canonical rich club in myelin-weighted networks. When controlling for edge length, tractometry-derived networks weighted by either tensor-based metrics or neurite density show no relationship with whole-brain functional connectivity. We conclude that structure-function brain models are likely to be improved by the co-utilization of structural networks weighted by total intra-axonal cross-sectional area and myelin content. We anticipate that the proposed microstructure-weighted computational modeling approach will support mechanistic understanding of the structure-function relationship of the human brain. AUTHOR SUMMARY For computational network models to provide mechanistic links between brain structure and function, they must be informed by networks in which edge weights quantify structural features relevant to brain function. Here, we characterized several weighted structural networks capturing multiscale features of white matter connectivity. We describe these networks in terms of edge weight distribution, variance and network topology, as well as their relationships with each other, edge length and function. Overall, these findings support the joint use of structural networks weighted by the total intra-axonal cross-sectional area and myelin content of white matter tracts in structure-function models. This thorough characterization serves as a benchmark for future investigations of weighted structural brain networks.

ABSTRACT The white matter structures of the human brain can be represented using diffusion-weighted MRI tractography. Unfortunately, tractography is prone to find false-positive streamlines causing a severe decline in its specificity and limiting its feasibility in accurate structural brain connectivity analyses. Filtering algorithms have been proposed to reduce the number of invalid streamlines but the currently available filtering algorithms are not suitable to process data that contains motion artefacts which are typical in clinical research. We augmented the Convex Optimization Modelling for Microstructure Informed Tractography (COMMIT) filtering algorithm to adjust for these signal drop-out motion artifacts. We demonstrate with comprehensive Monte-Carlo whole brain simulations and in vivo infant data that our robust algorithm is capable in properly filtering tractography reconstructions despite these artefacts. We evaluated the results using parametric and non-parametric statistics and our results demonstrate that if not accounted for, motion artefacts can have severe adverse effect in the human brain structural connectivity analyses as well as in microstructural property mappings. In conclusion, the usage of robust filtering methods to mitigate motion related errors in tractogram filtering is highly beneficial especially in clinical studies with uncooperative patient groups such as infants. With our presented robust augmentation and open-source implementation, robust tractogram filtering is readily available. Highlights We present a novel augmentation to tractogram filtering method that accounts for subject motion related signal dropout artefacts in diffusion weighted images. Our method is validated with realistic Monte-Carlo whole brain simulations and evaluated with in vivo infant data. We show that even if data has 10% of motion corrupted slices our method is capable to mitigate their effect in structural brain connectivity analyses and microstructural mapping.

Abstract Understanding how human brain microstructure influences functional connectivity is an important endeavor. In this work, magnetic resonance imaging data from ninety healthy participants were used to calculate structural connectivity matrices using the streamline count, fractional anisotropy, radial diffusivity and a myelin measure (derived from multicomponent relaxometry) to assign connection strength. Unweighted binarized structural connectivity matrices were also constructed. Magnetoencephalography resting-state data from those participants were used to calculate functional connectivity matrices, via correlations of the Hilbert envelopes of beamformer timeseries at the delta, theta, alpha and beta frequency bands. Non-negative matrix factorization was performed to identify the components of the functional connectivity. Shortest-path-length and search-information analyses of the structural connectomes were used to predict functional connectivity patterns for each participant. The microstructure-informed algorithms predicted the components of the functional connectivity more accurately than they predicted the total functional connectivity. This provides a methodology for better understanding of functional mechanisms. The shortest-path-length algorithm exhibited the highest prediction accuracy. Of the weights of the structural connectivity matrices, the streamline count and the myelin measure gave the most accurate predictions, while the fractional anisotropy performed poorly. Overall, different structural metrics paint very different pictures of the structural connectome and its relationship to functional connectivity.

BACKGROUND AND PURPOSE:

 MS lesions exhibit varying degrees of axonal and myelin damage. A comprehensive description of lesion phenotypes could contribute to an improved radiologic evaluation of smoldering inflammation and remyelination processes. This study aimed to identify in vivo distinct MS lesion types using quantitative susceptibility mapping and susceptibility mapping–weighted imaging and to characterize them through T1-relaxometry, myelin mapping, and diffusion MR imaging. The spatial distribution of lesion phenotypes in relation to ventricular CSF was investigated. 

MATERIALS AND METHODS:

 MS lesions of 53 individuals were categorized into iso- or hypointense lesions, hyperintense lesions, and paramagnetic rim lesions, on the basis of their appearance on quantitative susceptibility mapping alone, according to published criteria, and with the additional support of susceptibility mapping–weighted imaging. Susceptibility values, T1-relaxation times, myelin and free water fractions, intracellular volume fraction, and the orientation dispersion index were compared among lesion phenotypes. The distance of the geometric center of each lesion from the ventricular CSF was calculated. 

RESULTS:

 Eight hundred ninety-six MS lesions underwent the categorization process using quantitative susceptibility mapping and susceptibility mapping–weighted imaging. The novel use of susceptibility mapping–weighted images, which revealed additional microvasculature details, led us to re-allocate several lesions to different categories, resulting in a 35.6% decrease in the number of paramagnetic rim lesions, a 22.5% decrease in hyperintense lesions, and a 17.2% increase in iso- or hypointense lesions, with respect to the categorization based on quantitative susceptibility mapping only. The outcome of the categorization based on the joint use of quantitative susceptibility mapping and susceptibility mapping–weighted imaging was that 44.4% of lesions were iso- or hypointense lesions, 47.9% were hyperintense lesions, and 7.7% were paramagnetic rim lesions. A worsening gradient was observed from iso- or hypointense lesions to hyperintense lesions to paramagnetic rim lesions in T1-relaxation times, myelin water fraction, free water faction, and intracellular volume fraction. Paramagnetic rim lesions were located closer to ventricular CSF than iso- or hypointense lesions. The volume of hyperintense lesions was associated with a more severe disease course. 

CONCLUSIONS:

 Quantitative susceptibility mapping and susceptibility mapping–weighted imaging allow in vivo classification of MS lesions into different phenotypes, characterized by different levels of axonal and myelin loss and spatial distribution. Hyperintense lesions and paramagnetic rim lesions, which have the most severe microstructural damage, were more often observed in the periventricular WM and were associated with a more severe disease course.

Motivation: Models of propagation of neurodegeneration encode hypotheses on the mechanisms of pathology spread via the brain’s connectome. However, they fail to accurately capture pathology patterns, partly due to errors in tractography-estimated connectomes. Goal(s): We use this link between pathology and connectivity to help resolve errors in connectivity estimation. Specifically, we use disease-related pathology to jointly estimate brain connectivity and pathology propagation. Approach: We introduce a new algorithm to use an estimate of the false-positive potential (FPP) of each connection to constrain the pathology-informed connectome-optimisation. Results: Combining FPP and pathology-informed optimisation yields substantial improvement to both the connectome and the connectome-based prediction of pathology. Impact: By jointly estimating pathology and the connectome, we advance both disease understanding and understanding of structural connectivity. The work is a first demonstration of the general idea of using pathology to inform on brain connectivity.

Tractography is a family of algorithms that use diffusion-weighted magnetic resonance imaging data to reconstruct the white matter pathways of the brain. Although it has been proven to be particularly effective for studying non-invasively the neuronal architecture of the brain, recent studies have highlighted that the large incidence of false positive connections retrieved by these techniques can significantly bias any connectivity analysis. Some solutions have been proposed to overcome this issue and the ones relying on convex optimization framework showed a significant improvement. Here we propose an evolution of the Convex Optimization Modeling for Microstructure Informed Tractography (COMMIT) framework, that combines basic prior knowledge about brain anatomy with group-sparsity regularization into the optimization problem. We show that the new formulation dramatically reduces the incidence of false positives in synthetic DW-MRI data.