Abstract White matter hyperintensities (WMH) are frequently observed on structural neuroimaging of elderly populations and are associated with cognitive decline and increased risk of dementia. Many existing WMH segmentation algorithms produce suboptimal results in populations with vascular lesions or brain atrophy, or require parameter tuning and are computationally expensive. Additionally, most algorithms do not generate a confidence estimate of segmentation quality, limiting their interpretation. MRI-based segmentation methods are often sensitive to acquisition protocols, scanners, noise-level, and image contrast, failing to generalize to other populations and out-of-distribution datasets. Given these concerns, we propose a novel Bayesian 3D Convolutional Neural Network (CNN) with a U-Net architecture that automatically segments WMH, provides uncertainty estimates of the segmentation output for quality control and is robust to changes in acquisition protocols. We also provide a second model to differentiate deep and periventricular WMH. 432 subjects were recruited to train the CNNs from four multi-site imaging studies. A separate test set of 158 subjects was used for evaluation, including an unseen multi-site study. We compared our model to two established state-of-the-art techniques (BIANCA and DeepMedic), highlighting its accuracy and efficiency. Our Bayesian 3D U-Net achieved the highest Dice similarity coefficient of 0.89 ± 0.08 and the lowest modified Hausdorff distance of 2.98 ± 4.40 mm. We further validated our models highlighting their robustness on ‘clinical adversarial cases’ simulating data with low signal-to-noise ratio, low resolution, and different contrast (stemming from MRI sequences with different parameters). Our pipeline and models are available at: https://hypermapp3r.readthedocs.io

Abstract White matter (WM) injury is frequently observed along with dementia. Positron emission tomography with amyloid-ligands (Aβ-PET) recently gained interest for detecting WM injury. Yet, little is understood about the origin of the altered Aβ-PET signal in WM regions. Here, we investigated the relative contributions of diffusion MRI-based microstructural alterations, including free water and tissue-specific properties, to Aβ-PET in WM and to cognition. We included a unique cohort of 115 participants covering the spectrum of low-to-severe white matter hyperintensity (WMH) burden and cognitively normal to dementia. We applied a bi-tensor diffusion-MRI model that differentiates between (i) the extracellular WM compartment (represented via free water), and (ii) the fiber-specific compartment (via free water-adjusted fractional anisotropy [FA]). We observed that, in regions of WMH, a decrease in Aβ-PET related most closely to higher free water and higher WMH volume. In contrast, in normal-appearing WM, an increase in Aβ-PET related more closely to higher cortical Aβ (together with lower free water-adjusted FA). In relation to cognitive impairment, we observed a closer relationship with higher free water than with either free water-adjusted FA or WM PET. Our findings support free water and Aβ-PET as markers of WM abnormalities in patients with mixed dementia, and contribute to a better understanding of processes giving rise to the WM PET signal.

Successful segmentation of the total intracranial vault (ICV) and ventricles is of critical importance when studying neurodegeneration through neuroimaging. We present iCVMapper and VentMapper, robust algorithms that use a convolutional neural network (CNN) to segment the ICV and ventricles from both single contrast and multi-contrast MRI data. Our models were trained on a large dataset from two multi-site studies (N=528 subjects for ICV, N=501 for ventricular segmentation) consisting of older adults with varying degrees of cerebrovascular lesions and atrophy, posing significant challenges for most segmentation approaches. The models were tested on 132 participants, including subjects with high white matter hyperintensity burden from a third multi-site study not used in the training dataset. We assessed our algorithms relative to four state-of-the-art ICV extraction methods (MONSTR, BET, Deep Extraction, Freesurfer), as well as an open source ventricular segmentation tool (Freesurfer). Our multi-contrast models outperformed other methods across all evaluation metrics, with an average Dice coefficient of 0.98 and 0.94 for ICV and ventricular segmentation respectively. Both models were also the most time efficient, segmenting the structures in seconds; orders of magnitude faster than some of the other available methods. Our networks showed further improvement in accuracy with the use of a conditional random field (CRF) as a post-processing step. We further validated both segmentation models, highlighting their robustness to images with lower resolution and signal-to-noise ratio. The pipeline and models are available at: https://ventmapp3r.readthedocs.io and https://icvmapp3r.readthedocs.io to enable further investigation of the roles of ICV and ventricles in relation to normal aging and neurodegeneration in large multi-site studies.

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.

Abstract Introduction: Change in empathy is an increasingly recognised symptom of neurodegenerative diseases and contributes to caregiver burden and patient distress. Empathy impairment has been associated with brain atrophy but its relationship to white matter hyperintensities (WMH) is unknown. We aimed to investigate the relationships amongst WMH, brain atrophy, and empathy deficits in neurodegenerative and cerebrovascular diseases. Methods: 513 participants with Alzheimer’s Disease/Mild Cognitive Impairment, Amyotrophic Lateral Sclerosis, Frontotemporal Dementia (FTD), Parkinson’s Disease, or Cerebrovascular Disease (CVD) were included. Empathy was assessed using the Interpersonal Reactivity Index. WMH were measured using a semi-automatic segmentation and FreeSurfer was used to measure cortical thickness. Results: A heterogeneous pattern of cortical thinning was found between groups, with FTD showing thinning in frontotemporal regions and CVD in left superior parietal, left insula, and left postcentral. Results from both univariate and multivariate analyses revealed that several variables were associated with empathy, particularly cortical thickness in the fronto-insulo-temporal and cingulate regions, sex(female), global cognition, and right parietal and occipital WMH. Conclusions: Our results suggest that cortical atrophy and WMH may be associated with empathy deficits in neurodegenerative and cerebrovascular diseases. Future work should consider investigating the longitudinal effects of WMH and atrophy on empathy deficits in neurodegenerative and cerebrovascular diseases.

Large scale research studies combining magnetic resonance imaging data generated at multiple sites on multiple vendor platforms are becoming more commonplace. The Ontario Neurodegenerative Disease Research Initiative (ONDRI - http://ondri.ca/), a project funded by the Ontario Brain Institute (OBI), is a recently established province-wide natural history study, which has recruited more than 500 participants from neurodegenerative disease groups including amyotrophic lateral sclerosis, fronto-temporal dementia, Parkinson's disease, Alzheimer's disease, mild cognitive impairment, and cerebrovascular disease (previously referred to as the vascular cognitive impairment cohort). Because of its multi-site nature, all captured data must be standardized and meet minimum quality standards to reduce variability. The goal of the ONDRI imaging platform is to maximize data quality by implementing vendor-specific harmonized MR imaging protocols (consistent with the Canadian Dementia Imaging Protocol - http://www.cdip-pcid.ca/), monitoring protocol adherence, qualitatively assessing image quality, measuring signal-to-noise and contrast-to-noise, monitoring system stability, and applying corrections based on the analysis of images from two different phantoms regularly acquired at each site. To maximize image quality, this work describes the use of various automatic pipelines and manual assessment steps, integrated within an established informatics and databasing platform, the Stroke Patient Recovery Research Database (SPReD) built on the Extensible Neuroimaging Archive Toolkit (XNAT), and contained within the Brain-CODE (Centre for Ontario Data Exploration) framework. The purpose of the current paper is to describe the steps undertaken by ONDRI to achieve this high standard of data integrity. Data have been successfully collected for the past 4 years with the pipelines and assessments identifying deviations, allowing for timely interventions and assessment of image quality.

Magnetic resonance imaging (MRI) scanner-specific geometric distortions may contribute to scanner induced variability and decrease volumetric measurement precision for multi-site studies. The purpose of this study was to determine whether geometric distortion correction increases the precision of brain volumetric measurements in a multi-site multi-scanner study. Geometric distortion variation was quantified over a one-year period at 10 sites using the distortion fields estimated from monthly 3D T1-weighted MRI geometrical phantom scans. The variability of volume and distance measurements were quantified using synthetic volumes and a standard quantitative MRI (qMRI) phantom. The effects of geometric distortion corrections on MRI derived volumetric measurements of the human brain were assessed in two subjects scanned on each of the 10 MRI scanners and in 150 subjects with cerebrovascaular disease (CVD) acquired across imaging sites. Geometric distortions were found to vary substantially between different MRI scanners but were relatively stable on each scanner over a one-year interval. Geometric distortions varied spatially, increasing in severity with distance from the magnet isocenter. In measurements made with the qMRI phantom, the geometric distortion correction decreased the standard deviation of volumetric assessments by 35% and distance measurements by 42%. The average coefficient of variance decreased by 16% in gray matter and white matter volume estimates in the two subjects scanned on the 10 MRI scanners. Geometric distortion correction using an up-to-date correction field is recommended to increase precision in volumetric measurements made from MRI images.

The Ontario Neurodegenerative Research Initiative (ONDRI) is a 3 year multi-site prospective cohort study that has acquired comprehensive multiple assessment platform data, including 3T structural MRI, from neurodegenerative patients with Alzheimer’s disease, mild cognitive impairment, Parkinson’s disease, amyotrophic lateral sclerosis, frontotemporal dementia, and cerebrovascular disease patients. This heterogeneous cross-section of patients with complex neurodegenerative and neurovascular pathologies pose significant challenges for standard neuroimaging tools. To effectively quantify regional measures of normal and pathological brain tissue volumes, the ONDRI neuroimaging platform implemented a semi-automated MRI processing pipeline that was able to address many of the challenges resulting from this heterogeneity. This paper describes the comprehensive neuroimaging pipeline methods used to generate regional brain tissue volumes & neurovascular markers.