Abstract A magnetic resonance imaging method is presented for quantifying the degree to which water diffusion in biologic tissues is non‐Gaussian. Since tissue structure is responsible for the deviation of water diffusion from the Gaussian behavior typically observed in homogeneous solutions, this method provides a specific measure of tissue structure, such as cellular compartments and membranes. The method is an extension of conventional diffusion‐weighted imaging that requires the use of somewhat higher b values and a modified image postprocessing procedure. In addition to the diffusion coefficient, the method provides an estimate for the excess kurtosis of the diffusion displacement probability distribution, which is a dimensionless metric of the departure from a Gaussian form. From the study of six healthy adult subjects, the excess diffusional kurtosis is found to be significantly higher in white matter than in gray matter, reflecting the structural differences between these two types of cerebral tissues. Diffusional kurtosis imaging is related to q ‐space imaging methods, but is less demanding in terms of imaging time, hardware requirements, and postprocessing effort. It may be useful for assessing tissue structure abnormalities associated with a variety of neuropathologies. Magn Reson Med 53:1432–1440, 2005. © 2005 Wiley‐Liss, Inc.

Diffusional kurtosis imaging (DKI) is a clinically feasible extension of diffusion tensor imaging that probes restricted water diffusion in biological tissues using magnetic resonance imaging. Here we provide a physically meaningful interpretation of DKI metrics in white matter regions consisting of more or less parallel aligned fiber bundles by modeling the tissue as two non-exchanging compartments, the intra-axonal space and extra-axonal space. For the b-values typically used in DKI, the diffusion in each compartment is assumed to be anisotropic Gaussian and characterized by a diffusion tensor. The principal parameters of interest for the model include the intra- and extra-axonal diffusion tensors, the axonal water fraction and the tortuosity of the extra-axonal space. A key feature is that these can be determined directly from the diffusion metrics conventionally obtained with DKI. For three healthy young adults, the model parameters are estimated from the DKI metrics and shown to be consistent with literature values. In addition, as a partial validation of this DKI-based approach, we demonstrate good agreement between the DKI-derived axonal water fraction and the slow diffusion water fraction obtained from standard biexponential fitting to high b-value diffusion data. Combining the proposed WM model with DKI provides a convenient method for the clinical assessment of white matter in health and disease and could potentially provide important information on neurodegenerative disorders.

This article presents two related advancements to the diffusional kurtosis imaging estimation framework to increase its robustness to noise, motion, and imaging artifacts. The first advancement substantially improves the estimation of diffusion and kurtosis tensors parameterizing the diffusional kurtosis imaging model. Rather than utilizing conventional unconstrained least squares methods, the tensor estimation problem is formulated as linearly constrained linear least squares, where the constraints ensure physically and/or biologically plausible tensor estimates. The exact solution to the constrained problem is found via convex quadratic programming methods or, alternatively, an approximate solution is determined through a fast heuristic algorithm. The computationally more demanding quadratic programming-based method is more flexible, allowing for an arbitrary number of diffusion weightings and different gradient sets for each diffusion weighting. The heuristic algorithm is suitable for real-time settings such as on clinical scanners, where run time is crucial. The advantage offered by the proposed constrained algorithms is demonstrated using in vivo human brain images. The proposed constrained methods allow for shorter scan times and/or higher spatial resolution for a given fidelity of the diffusional kurtosis imaging parametric maps. The second advancement increases the efficiency and accuracy of the estimation of mean and radial kurtoses by applying exact closed-form formulae.

Abstract Conventional diffusion tensor imaging (DTI) measures water diffusion parameters based on the assumption that the spin displacement distribution is a Gaussian function. However, water movement in biological tissue is often non‐Gaussian and this non‐Gaussian behavior may contain useful information related to tissue structure and pathophysiology. Here we propose an approach to directly measure the non‐Gaussian property of water diffusion, characterized by a four‐dimensional matrix referred to as the diffusion kurtosis tensor. This approach does not require the complete measurement of the displacement distribution function and, therefore, is more time efficient compared with the q ‐space imaging technique. A theoretical framework of the DK calculation is established, and experimental results are presented for humans obtained within a clinically feasible time of about 10 min. The resulting kurtosis maps are shown to be robust and reproducible. Directionally‐averaged apparent kurtosis coefficients (AKC, a unitless parameter) are 0.74 ± 0.03, 1.09 ± 0.01 and 0.84 ± 0.02 for gray matter, white matter and thalamus, respectively. The three‐dimensional kurtosis angular plots show tissue‐specific geometry for different brain regions and demonstrate the potential of identifying multiple fiber structures in a single voxel. Diffusion kurtosis imaging is a useful method to study non‐Gaussian diffusion behavior and can provide complementary information to that of DTI. Copyright © 2006 John Wiley & Sons, Ltd.

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.

Purpose: Diffusion tensor imaging (DTI) has been employed for over two decades to noninvasively quantify central nervous system (CNS) diseases/injuries. However, DTI is an inadequate simplification of diffusion modeling in the presence of co-existing inflammation, edema, and crossing nerve fibers. Methods: We employed a tissue phantom using fixed mouse trigeminal nerves coated with various amounts of agarose gel to mimic crossing fibers in the presence of vasogenic edema. Diffusivity measures derived by DTI and diffusion basis spectrum imaging (DBSI) were compared at increasing levels of simulated edema and degrees of fiber crossing. Further, we assessed the ability of DBSI, diffusion kurtosis imaging (DKI), generalized q-sampling imaging (GQI), q-ball imaging (QBI), and neurite orientation dispersion and density imaging (NODDI) to resolve fiber crossing, in reference to the gold standard angles measured from structural images. Results: DTI-computed diffusivities and fractional anisotropy (FA) were significantly confounded by gel-mimicked edema and crossing fibers. Conversely, DBSI calculated accurate diffusivities of individual fibers regardless of the extent of simulated edema and degrees of fiber crossing angles. Additionally, DBSI accurately and consistently estimated crossing angles in various conditions of gel-mimicked edema when comparing with gold standard (r2=0.92, p<0.0001, bias=3.9 degrees). Small crossing angles and edema significantly impact dODF, making DKI, GQI and QBI less accurate in detecting and estimating fibers crossing angles. Lastly, we demonstrate DBSI's superiority over DTI for recovering and delineating white matter tracts in peritumoral edema for preoperative planning of surgical resection. Conclusions: DBSI is able to separate two crossing fibers and accurately recover their diffusivities in a complex environment characterized by increasing crossing angles and amounts of gel-mimicked edema. DBSI also indicated better angular resolution capability compared with DKI, QBI and GQI.