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.

Several neurological conditions are associated with microstructural changes in the hippocampus that can be observed using DWI. Imaging studies often use protocols with whole-brain coverage, imposing limits on image resolution and worsening partial-volume effects. Also, conventional single-diffusion-encoding methods confound microscopic diffusion anisotropy with size variance of microscopic diffusion environments. This study addresses these issues by implementing a multidimensional diffusion-encoding protocol for microstructural imaging of the hippocampus at high resolution.The hippocampus of 8 healthy volunteers was imaged at 1.5-mm isotropic resolution with a multidimensional diffusion-encoding sequence developed in house. Microscopic fractional anisotropy (µFA) and normalized size variance (CMD ) were estimated using q-space trajectory imaging, and their values were compared with DTI metrics. The overall scan time was 1 hour. The reproducibility of the protocol was confirmed with scan-rescan experiments, and a shorter protocol (14 minutes) was defined for situations with time constraints.Mean µFA (0.47) was greater than mean FA (0.20), indicating orientation dispersion in hippocampal tissue microstructure. Mean CMD was 0.17. The reproducibility of q-space trajectory imaging metrics was comparable to DTI, and microstructural metrics in the healthy hippocampus are reported.This work shows the feasibility of high-resolution microscopic anisotropy imaging in the human hippocampus at 3 T and provides reference values for microstructural metrics in a healthy hippocampus.

Diffusion kurtosis imaging is an extension of diffusion tensor imaging that provides scientifically and clinically valuable information about brain tissue microstructure but suffers from poor robustness to noise, especially in voxels containing tightly packed aligned axons. We present a new algorithm for estimating diffusion and kurtosis tensors using regularized non-linear optimization and make it publicly available in an easy-to-use open-source Python software package. Our approach uses fully-connected feed-forward neural networks to predict kurtosis values in voxels where the standard non-linear least squares fit fails. The predicted values are then used in the objective function to avoid implausible kurtosis values. We show that our algorithm is more robust than standard non-linear least squares and a previously proposed regularized non-linear optimization method. The algorithm was then applied on a multi-site scan-rescan dataset acquired using a clinical scan protocol to assess the reproducibility of diffusion kurtosis parameter estimation in human white matter using the proposed algorithm. Our results show that the reproducibility of diffusion kurtosis parameters is similar to diffusion tensor parameters.

Connectomics can be used to investigate functional brain networks in neurodegenerative diseases including Huntington's disease (HD). In this developing field, different connectome construction strategies have emerged in parallel. However, there is a need to understand the influences of different strategies on subsequent analyses when constructing a connectome. This study systematically compares connectome construction strategies based on their biological relevance to functional networks in neurodegeneration. We asked which functional connectome construction strategy was best able to discriminate HD gene carriers from healthy controls, and how such a strategy affected modular organization of the network. The major factors compared were principal component-based correction versus wavelet decomposition for physiological noise correction, the type of parcellation atlas (functional, structural and multi-modal), weighted versus binarized networks, and unthresholded versus proportionally thresholded networks. We found that principal component-based correction generated the most discriminatory connectomes, while binarization and proportional thresholding did not increase discrimination between HD gene carriers and healthy controls. When a functional parcellation atlas was used, the highest discrimination rates were obtained. We observed that the group differences in modular organization of the functional connectome were greatly affected by binarization and thresholding, showing no consistent pattern of modularity. This study suggests that functional connectome construction strategies using principal component-based correction and weighted unthresholded connectivity matrices may outperform other strategies.

Diffusion magnetic resonance imaging is sensitive to the microstructural properties of brain tissue. However, estimating clinically and scientifically relevant microstructural properties from the measured signals remains a highly challenging inverse problem that machine learning may help solve. This study investigated if recently developed rotationally invariant spherical convolutional neural networks can improve microstructural parameter estimation. We trained a spherical convolutional neural network to predict the ground-truth parameter values from efficiently simulated noisy data and applied the trained network to imaging data acquired in a clinical setting to generate microstructural parameter maps. Our network performed better than the spherical mean technique and multi-layer perceptron, achieving higher prediction accuracy than the spherical mean technique with less rotational variance than the multi-layer perceptron. Although we focused on a constrained two-compartment model of neuronal tissue, the network and training pipeline are generalizable and can be used to estimate the parameters of any Gaussian compartment model. To highlight this, we also trained the network to predict the parameters of a three-compartment model that enables the estimation of apparent neural soma density using tensor-valued diffusion encoding.

Structural connectomes derived using diffusion tractography are increasingly used to investigate white matter connectivity in neurological diseases. However inherent biases in diffusion tractography algorithms may lead to both false negatives and false positives in connectome construction. A range of graph thresholding approaches and more recently several streamline filtering algorithms have been developed to address these issues. However there is no consensus in the literature regarding the best available approach. Using a cohort of Huntington's disease patients and healthy controls we compared the effect of several graph thresholding strategies: proportional, absolute, consensus and consistency thresholding, with and without streamline filtering, using Spherical Deconvolution Informed Filtering of tractograms (SIFT2) algorithm. We examined the effect of thresholding strategies on the stability of graph theory metrics and the sensitivity of these measures in neurodegeneration. We show that while a number of graph thresholding procedures result in stable metrics across thresholds, the detection of group differences is highly variable. We also showed that the application of streamline filtering using SIFT2 resultes in better detection of group differences and stronger clinical correlations. We therefore conclude that the application of SIFT2 streamline filtering without graph thresholding may be sufficient for structural connectome construction.

Diffusion magnetic resonance imaging is sensitive to the microstructural properties of brain tissue. However, estimating clinically and scientifically relevant microstructural properties from the measured signals remains a highly challenging inverse problem that machine learning may help solve. This study investigated if recently developed rotationally invariant spherical convolutional neural networks can improve microstructural parameter estimation. We trained a spherical convolutional neural network to predict the ground-truth parameter values from efficiently simulated noisy data and applied the trained network to imaging data acquired in a clinical setting to generate microstructural parameter maps. Our network performed better than the spherical mean technique and multi-layer perceptron, achieving higher prediction accuracy than the spherical mean technique with less rotational variance than the multi-layer perceptron. Although we focused on a constrained two-compartment model of neuronal tissue, the network and training pipeline are generalizable and can be used to estimate the parameters of any Gaussian compartment model. To highlight this, we also trained the network to predict the parameters of a three-compartment model that enables the estimation of apparent neural soma density using tensor-valued diffusion encoding.