A key limitation of deep convolutional neural network (DCNN)-based image segmentation methods is the lack of generalizability. Manually traced training images are typically required when segmenting organs in a new imaging modality or from distinct disease cohort. The manual efforts can be alleviated if the manually traced images in one imaging modality (e.g., MRI) are able to train a segmentation network for another imaging modality (e.g., CT). In this paper, we propose an end-to-end synthetic segmentation network (SynSeg-Net) to train a segmentation network for a target imaging modality without having manual labels. SynSeg-Net is trained by using: 1) unpaired intensity images from source and target modalities and 2) manual labels only from source modality. SynSeg-Net is enabled by the recent advances of cycle generative adversarial networks and DCNN. We evaluate the performance of the SynSeg-Net on two experiments: 1) MRI to CT splenomegaly synthetic segmentation for abdominal images and 2) CT to MRI total intracranial volume synthetic segmentation for brain images. The proposed end-to-end approach achieved superior performance to two-stage methods. Moreover, the SynSeg-Net achieved comparable performance to the traditional segmentation network using target modality labels in certain scenarios. The source code of SynSeg-Net is publicly available.

Abstract Diffusion-relaxation correlation multidimensional MRI (MD-MRI) replaces voxel-averaged diffusion tensor quantities and R 1 and R 2 relaxation rates with their multidimensional distributions, enabling the selective extraction and mapping of specific diffusion-relaxation spectral ranges that correspond to different cellular features. This approach has the potential of achieving high sensitivity and specificity in detecting subtle changes that would otherwise be averaged out. Here, the whole brain characterization of MD-MRI distributions and derived parameters is presented and the intrascanner test–retest reliability, repeatability, and reproducibility are evaluated to promote the further development of these quantities as neuroimaging biomarkers. We compared white matter tracts and cortical and subcortical gray matter regions, revealing notable variations in their diffusion-relaxation profiles, indicative of unique microscopic morphological characteristics. We found that the reliability and repeatability of MD-MRI-derived diffusion and relaxation mean parameters were comparable to values expected in conventional diffusion tensor imaging and relaxometry studies. Importantly, the estimated signal fractions of intra-voxel spectral components in the MD-MRI distribution, corresponding to white matter, gray matter, and cerebrospinal fluid, were found to be reproducible. This underscores the viability of employing a spectral analysis approach to MD-MRI data. Our results show that a clinically feasible MD-MRI protocol can reliably deliver information of the rich structural and chemical variety that exists within each imaging voxel, creating potential for new MRI biomarkers with enhanced sensitivity and specificity.

Temporal bone computed tomography (CT) helps diagnose chronic otitis media (COM). However, its interpretation requires training and expertise. Artificial intelligence (AI) can help clinicians evaluate COM through CT scans, but existing models lack transparency and may not fully leverage multidimensional diagnostic information.

Abstract Diffusion-relaxation correlation multidimensional MRI (MD-MRI) replaces voxel-averaged diffusion tensor quantities and R1 and R2 relaxation rates with their multidimensional distributions, enabling the selective extraction and mapping of specific diffusion-relaxation spectral ranges that correspond to different cellular features. This approach has the potential of achieving high sensitivity and specificity in detecting subtle changes that would otherwise be averaged out. Here, the whole brain characterization of MD-MRI distributions and derived parameters is presented and the intrascanner test–retest reliability, repeatability, and reproducibility are evaluated to promote the further development of these quantities as neuroimaging biomarkers. We compared white matter tracts and cortical and subcortical gray matter regions, revealing notable variations in their diffusion-relaxation profiles, indicative of unique microscopic morphological characteristics. We found that the reliability and repeatability of MD-MRI-derived diffusion and relaxation mean parameters were comparable to values expected in conventional diffusion tensor imaging and relaxometry studies. Importantly, the estimated signal fractions of intra-voxel spectral components in the MD-MRI distribution, corresponding to white matter, gray matter, and cerebrospinal fluid, were found to be reproducible. This underscores the viability of employing a spectral analysis approach to MD-MRI data. Our results show that a clinically feasible MD-MRI protocol can reliably deliver information of the rich structural and chemical variety that exists within each imaging voxel, creating potential for new MRI biomarkers with enhanced sensitivity and specificity.

PurposeIn brain diffusion magnetic resonance imaging (dMRI), the volumetric and bundle analyses of whole-brain tissue microstructure and connectivity can be severely impeded by an incomplete field of view (FOV). We aim to develop a method for imputing the missing slices directly from existing dMRI scans with an incomplete FOV. We hypothesize that the imputed image with a complete FOV can improve whole-brain tractography for corrupted data with an incomplete FOV. Therefore, our approach provides a desirable alternative to discarding the valuable brain dMRI data, enabling subsequent tractography analyses that would otherwise be challenging or unattainable with corrupted data.ApproachWe propose a framework based on a deep generative model that estimates the absent brain regions in dMRI scans with an incomplete FOV. The model is capable of learning both the diffusion characteristics in diffusion-weighted images (DWIs) and the anatomical features evident in the corresponding structural images for efficiently imputing missing slices of DWIs in the incomplete part of the FOV.ResultsFor evaluating the imputed slices, on the Wisconsin Registry for Alzheimer's Prevention (WRAP) dataset, the proposed framework achieved PSNRb0=22.397, SSIMb0=0.905, PSNRb1300=22.479, and SSIMb1300=0.893; on the National Alzheimer's Coordinating Center (NACC) dataset, it achieved PSNRb0=21.304, SSIMb0=0.892, PSNRb1300=21.599, and SSIMb1300=0.877. The proposed framework improved the tractography accuracy, as demonstrated by an increased average Dice score for 72 tracts (p<0.001) on both the WRAP and NACC datasets.ConclusionsResults suggest that the proposed framework achieved sufficient imputation performance in brain dMRI data with an incomplete FOV for improving whole-brain tractography, thereby repairing the corrupted data. Our approach achieved more accurate whole-brain tractography results with an extended and complete FOV and reduced the uncertainty when analyzing bundles associated with Alzheimer's disease.

Motivation: Multidimensional (MD)-MRI provides valuable subvoxel information. However, its experimental variability has never been investigated. Goal(s): Assessing the variability of MD-MRI estimates is essential for adaptation to clinical research and widespread use. Approach: Ten healthy participants were each scanned twice, using a 40-minute 2-mm3 resolution diffusion-relaxation MD-MRI protocol. Agreement, reliability, and repeatability were assessed using Bland-Altman plots, intraclass correlation coefficient, and test-retest variability, respectively. Results: We demonstrated a good to excellent reliability in the quantification of first- and second-order diffusion parameters. Our findings guide further improvement to the protocol and encourage the use of this MD-MRI framework in clinical research. Impact: Multidimensional MRI is crucial for investigating tissue microstructure, brain connectivity, and pathology. Here we present an in vivo variability study that shows strong agreement, reliability, and repeatability, especially for diffusion parameters, providing a way forward for clinical research.