PR
Pradeep Raamana
Author with expertise in Magnetic Resonance Imaging Applications in Medicine
Achievements
Open Access Advocate
Cited Author
Key Stats
Upvotes received:
0
Publications:
7
(71% Open Access)
Cited by:
17
h-index:
14
/
i10-index:
23
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
15

Visual QC Protocol for FreeSurfer Cortical Parcellations from Anatomical MRI

Pradeep Raamana et al.Sep 9, 2020
+20
B
R
P
Abstract Quality control of morphometric neuroimaging data is essential to improve reproducibility. Owing to the complexity of neuroimaging data and subsequently the interpretation of their results, visual inspection by trained raters is the most reliable way to perform quality control. Here, we present a protocol for visual quality control of the anatomical accuracy of FreeSurfer parcellations, based on an easy-to-use open source tool called VisualQC. We comprehensively evaluate its utility in terms of error detection rate and inter-rater reliability on two large multi-site datasets, and discuss site differences in error patterns. This evaluation shows that VisualQC is a practically viable protocol for community adoption.
15
Citation13
0
Save
3

Solving the Pervasive Problem of Protocol Non-Compliance in MRI using an Open-Source toolmrQA

Harsh Sinha et al.Jul 19, 2023
P
H
A bstract Pooling data across diverse sources acquired by multisite consortia requires compliance with a predefined reference protocol i.e., ensuring different sites and scanners for a given project have used identical or compatible MR physics parameter values. Traditionally, this has been an arduous and manual process due to difficulties in working with the complicated DICOM standard and lack of resources allocated towards protocol compliance. Moreover, issues of protocol compliance is often overlooked for lack of realization that parameter values are routinely improvised/modified locally at various sites. The inconsistencies in acquisition protocols can reduce SNR, statistical power, and in the worst case, may invalidate the results altogether. We developed an open-source tool called mrQA to automatically assess protocol compliance on standard dataset formats such as DICOM and BIDS, and study the patterns of non-compliance in over 20 open neuroimaging datasets, including the large ABCD study. We demonstrate that the lack of compliance is rather pervasive. The frequent sources of non-compliance include but not limited to deviations in Repetition Time (TR), Echo Time (TE), Flip Angle (FA), and Phase Encoding Direction (PED). We also noticed that GE and Philips scanners exhibited higher rates of non-compliance relative to the Siemens scanners in the ABCD dataset. We strongly recommend continuous monitoring of datasets for protocol compliance before any pre-or post-processing, ideally right after the acquisition, to avoid the silent propagation of severe/subtle issues. While we focus our analysis on neuroimaging datasets, our tool mrQA is domain-agnostic and can work with any DICOM-based datasets.
9

Probing Multiple Algorithms to Calculate Brain Age: Examining Reliability, Relations with Demographics, and Predictive Power

Eva Bacas et al.Jun 21, 2022
+3
P
I
E
ABSTRACT The calculation of so-called “brain age” has been an emerging biomarker in aging research. Data suggests that discrepancies between chronological age and the predicted age of the brain may be predictive of mortality and morbidity (for review, see Cole, Marioni, Harris, & Deary, 2019). However, with these promising results come technical complexities of how to calculate brain age. Various groups have deployed methods leveraging different statistical approaches, often crafting novel algorithms for assessing this biomarker. There remain many open questions about the reliability, collinearity, and predictive power of different algorithms. Here, we complete a rigorous systematic comparison of three commonly used, previously published brain age algorithms (XGBoost, brainageR, and DeepBrainNet) to serve as a foundation for future applied research. First, using multiple datasets with repeated MRI scans, we calculated two metrics of reliability (intraclass correlations and Bland–Altman bias). We then considered correlations between brain age variables, chronological age, biological sex, and image quality. We also calculated the magnitude of collinearity between approaches. Finally, we used canonical regression and machine learning approaches to identify significant predictors across brain age algorithms related to clinical diagnoses of mild cognitive impairment or Alzheimer’s Disease. Using a large sample ( N=2557 ), we find all three commonly used brain age algorithms demonstrate excellent reliability (r>.9). We also note that brainageR and DeepBrainNet are reasonably correlated with one another, and that the XGBoost brain age is strongly related to image quality. Finally, and notably, we find that XGBoost brain age calculations were more sensitive to the detection of clinical diagnoses of mild cognitive impairment or Alzheimer’s Disease. We close this work with recommendations for future research studies focused on brain age.
9
Citation2
0
Save
2

Cortical thickness estimation in individuals with cerebral small vessel disease, focal atrophy, and chronic stroke lesions

Miracle Ozzoude et al.Aug 5, 2020
+16
S
A
M
ABSTRACT Background Regional changes to cortical thickness in individuals with neurodegenerative and cerebrovascular diseases can be estimated using specialised neuroimaging software. However, the presence of cerebral small vessel disease, focal atrophy, and cortico-subcortical stroke lesions, pose significant challenges that increase the likelihood of misclassification errors and segmentation failures. Purpose The main goal of this study was to examine a correction procedure developed for enhancing FreeSurfer’s cortical thickness estimation tool, particularly when applied to the most challenging MRI obtained from participants with chronic stroke and cerebrovascular disease, with varying degrees of neurovascular lesions and brain atrophy. Methods In 155 cerebrovascular disease patients enrolled in the Ontario Neurodegenerative Disease Research Initiative (ONDRI), FreeSurfer outputs were compared between a fully automated, unmodified procedure and a corrected procedure that accounted for potential sources of error due to atrophy and neurovascular lesions. Quality control (QC) measures were obtained from both procedures. Association between cortical thickness and global cognitive status as assessed by the Montreal Cognitive Assessment (MoCA) score was also investigated from both procedures. Results Corrected procedures increased ‘Acceptable’ QC ratings from 18% to 76% for the cortical ribbon and from 38% to 92% for tissue segmentation. Corrected procedures reduced ‘Fail’ ratings from 11% to 0% for the cortical ribbon and 62% to 8% for tissue segmentation. FreeSurfer-based segmentation of T1-weighted white matter hypointensities were significantly greater in the corrected procedure (5.8mL vs. 15.9mL, p<0.001). The unmodified procedure yielded no significant associations with global cognitive status, whereas the corrected procedure yielded positive associations between MoCA total score and clusters of cortical thickness in the left superior parietal (p=0.018) and left insula (p=0.04) regions. Further analyses with the corrected cortical thickness results and MoCA subscores showed a positive association between left superior parietal cortical thickness and Attention (p<0.001). Conclusions These findings suggest that correction procedures that account for brain atrophy and neurovascular lesions can significantly improve FreeSurfer’s segmentation results, reduce failure rates, and potentially increase sensitivity to examine brain-behaviour relationships. Future work will examine relationships between cortical thickness, cerebral small vessel disease, and neurodegenerative disease in the ONDRI study.
0

BIDS Apps: Improving ease of use, accessibility, and reproducibility of neuroimaging data analysis methods

Krzysztof Gorgolewski et al.Oct 4, 2016
+26
P
T
K
The rate of progress in human neurosciences is limited by the inability to easily apply a wide range of analysis methods to the plethora of different datasets acquired in labs around the world. In this work, we introduce a framework for creating, testing, versioning and archiving portable applications for analyzing neuroimaging data organized and described in compliance with the Brain Imaging Data Structure (BIDS). The portability of these applications (BIDS Apps) is achieved by using container technologies that encapsulate all binary and other dependencies in one convenient package. BIDS Apps run on all three major operating systems with no need for complex setup and configuration and thanks to the richness of the BIDS standard they require little manual user input. Previous containerized data processing solutions were limited to single user environments and not compatible with most multi-tenant High Performance Computing systems. BIDS Apps overcome this limitation by taking advantage of the Singularity container technology. As a proof of concept, this work is accompanied by 22 ready to use BIDS Apps, packaging a diverse set of commonly used neuroimaging algorithms.
0

Predictive power of single-subject morphometric networks is insensitive to spatial scale and edge weight

Pradeep Raamana et al.Jul 31, 2017
S
P
Network-level analysis based on anatomical, pairwise similarities (e.g., cortical thickness) has been gaining increasing attention recently. However, there has not been a systematic study of the impact of spatial scale and edge definitions on predictive performance. In order to obtain a clear understanding of relative performance, there is a need for systematic comparison. In this study, we present a histogram-based approach to construct subject-wise weighted networks that enable a principled comparison across different methods of network analysis. We design several weighted networks based on three large publicly available datasets and perform a robust evaluation of their predictive power under four levels of separability. An interesting insight generated is that changes in nodal size (spatial scale) have no significant impact on predictive power among the three classification experiments and two disease cohorts studied, i.e., mild cognitive impairment and Alzheimer's disease from ADNI, and Autism from the ABIDE dataset. We also release an open source python package called graynet to enable others to implement the novel network feature extraction algorithm, which is applicable to other modalities as well (due to its domain- and feature-agnostic nature) in diverse applications of connectivity research. In addition, the findings from the ADNI dataset are replicated in the AIBL dataset using an open source machine learning tool called neuropredict.### Competing Interest StatementThe authors have declared no competing interest.
0

Solving the Pervasive Problem of Protocol Non-Compliance in MRI using an Open-Source tool mrQA

Harsh Sinha et al.Jun 11, 2024
P
H
Abstract Pooling data across diverse sources acquired by multisite consortia requires compliance with a predefined reference protocol i.e. , ensuring different sites and scanners for a given project have used identical or compatible MR physics parameter values. Traditionally, this has been an arduous and manual process due to difficulties in working with the complicated DICOM standard and lack of resources allocated towards protocol compliance. Moreover, issues of protocol compliance is often overlooked for lack of realization that parameter values are routinely improvised/modified locally at various sites. The inconsistencies in acquisition protocols can reduce SNR, statistical power, and in the worst case, may invalidate the results altogether. An open-source tool, mrQA was developed to automatically assess protocol compliance on standard dataset formats such as DICOM and BIDS, and to study the patterns of non-compliance in over 20 open neuroimaging datasets, including the large ABCD study. The results demonstrate that the lack of compliance is rather pervasive. The frequent sources of non-compliance include but are not limited to deviations in Repetition Time, Echo Time, Flip Angle, and Phase Encoding Direction. It was also observed that GE and Philips scanners exhibited higher rates of non-compliance relative to the Siemens scanners in the ABCD dataset. Continuous monitoring for protocol compliance is strongly recommended before any pre/post-processing, ideally right after the acquisition, to avoid the silent propagation of severe/subtle issues. Although, this study focuses on neuroimaging datasets, the proposed tool mrQA can work with any DICOM-based datasets.