We introduce and evaluate a post-processing technique for fast denoising of diffusion-weighted MR images. By exploiting the intrinsic redundancy in diffusion MRI using universal properties of the eigenspectrum of random covariance matrices, we remove noise-only principal components, thereby enabling signal-to-noise ratio enhancements. This yields parameter maps of improved quality for visual, quantitative, and statistical interpretation. By studying statistics of residuals, we demonstrate that the technique suppresses local signal fluctuations that solely originate from thermal noise rather than from other sources such as anatomical detail. Furthermore, we achieve improved precision in the estimation of diffusion parameters and fiber orientations in the human brain without compromising the accuracy and spatial resolution.

ABSTRACT PyDesigner is an open-source and containerized Python software package, adapted from the DESIGNER pipeline, for diffusion weighted magnetic resonance imaging preprocessing and tensor estimation. PyDesigner combines tools from FSL and MRtrix3 to reduce the effects of signal noise and imaging artifacts on multiple diffusion measures that can be derived from the diffusion and kurtosis tensors. This publication describes the main features of PyDesigner and highlights its ease of use across platforms, while examining its accuracy and robustness in deriving commonly used diffusion and kurtosis metrics.

Multi-shell diffusion MRI (dMRI) opens up the opportunity for microstructure mapping, but is not routinely acquired in clinics. This study retrospectively analyzed a large diffusion kurtosis imaging (DKI) dataset (N=7984) acquired as multi-series in the clinic and proposes a workflow to inspect the data before preprocessing. Automated analysis of dicom headers shows about 36% with incomplete acquisition, likely due to time constraints and patient discomfort, and 32% with image discrepancies. Finally, we show that signal variations between series occur and need to be corrected for in preprocessing. Our results indicate higher-order dMRI in the clinical setting is feasible.

Abstract Biophysical modeling of diffusion MRI (dMRI) offers the exciting potential of bridging the gap between the macroscopic MRI resolution and microscopic cellular features, effectively turning the MRI scanner into a noninvasive in vivo microscope. In brain white matter, the Standard Model (SM) interprets the dMRI signal in terms of axon dispersion, intra- and extra-axonal water fractions, and diffusivities. However, for SM to be fully applicable and correctly interpreted, it needs to be carefully evaluated using histology. Here, we perform a comprehensive histological validation of the SM parameters, by characterizing white matter (WM) microstructure in sham and injured rat brains using volume electron microscopy and ex vivo dMRI. Sensitivity is evaluated by how well each SM metric correlates with its histological counterpart, and specificity by the lack of correlation with other, non-corresponding histological features. Compared to previously developed SM estimators with constraints, our results show that SMI is the most sensitive and specific. Furthermore, we derive the functional form of the fiber orientation distribution based on its exponentially decreasing rotational invariants. This comprehensive comparison with histology may facilitate the clinical adoption of in vivo dMRI-derived SM parameters as biomarkers for neurological disorders.

The spatial-temporal relationships between gray and white matter (WM) degeneration during preclinical and early symptomatic Alzheimer's disease are poorly understood. We characterized β-amyloid deposition, cortical volume and WM degeneration in 44 subjects including healthy control (N=23), amnestic mild cognitive impairment (aMCI) (N=19), and early Alzheimer's subjects (N=2). Integrated PET-MRI provided simultaneous measurement of 18F-Florbetapir uptake in cortical areas, regional brain volumes from structural MRI, and WM tract integrity metrics from diffusion MRI using biophysical modeling. Across the cohort of healthy control and aMCIs, cortical volumes correlated poorly with β-amyloid deposition in the same area (p < 0.05 only in the posterior cingulate and parietal lobe). WM degeneration correlated significantly with both amyloid and volume of connected cortical areas, but more strongly with volume. Diffusion MRI metrics for WM demyelination and/or axonal loss could therefore provide new biomarkers associated with clinical Alzheimer's conversion. These WM changes may represent sequential propagation of Alzheimer's neurodegeneration between functionally connected regions, and/or evidence of direct WM injury during the Alzheimer's pathology cascade.