TS
Torben Schneider
Author with expertise in Diffusion Magnetic Resonance Imaging
Achievements
Cited Author
Key Stats
Upvotes received:
0
Publications:
7
(43% Open Access)
Cited by:
3,433
h-index:
29
/
i10-index:
52
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

Compartment models of the diffusion MR signal in brain white matter: A taxonomy and comparison

Eleftheria Panagiotaki et al.Oct 14, 2011
This paper aims to identify the minimum requirements for an accurate model of the diffusion MR signal in white matter of the brain. We construct a taxonomy of multi-compartment models of white matter from combinations of simple models for the intra- and the extra-axonal spaces. We devise a new diffusion MRI protocol that provides measurements with a wide range of imaging parameters for diffusion sensitization both parallel and perpendicular to white matter fibres. We use the protocol to acquire data from two fixed rat brains, which allows us to fit, study and compare the different models. The study examines a total of 47 analytic models, including several well-used models from the literature, which we place within the taxonomy. The results show that models that incorporate intra-axonal restriction, such as ball and stick or CHARMED, generally explain the data better than those that do not, such as the DT or the biexponential models. However, three-compartment models which account for restriction parallel to the axons and incorporate pore size explain the measurements most accurately. The best fit comes from combining a full diffusion tensor (DT) model of the extra-axonal space with a cylindrical intra-axonal component of single radius and a third spherical compartment of non-zero radius. We also measure the stability of the non-zero radius intra-axonal models and find that single radius intra-axonal models are more stable than gamma distributed radii models with similar fitting performance.
0
Paper
Citation399
0
Save
0

Neurite dispersion: a new marker of multiple sclerosis spinal cord pathology?

Francesco Grussu et al.Aug 15, 2017
Conventional magnetic resonance imaging (MRI) of the multiple sclerosis spinal cord is limited by low specificity regarding the underlying pathological processes, and new MRI metrics assessing microscopic damage are required. We aim to show for the first time that neurite orientation dispersion (i.e., variability in axon/dendrite orientations) is a new biomarker that uncovers previously undetected layers of complexity of multiple sclerosis spinal cord pathology. Also, we validate against histology a clinically viable MRI technique for dispersion measurement (neurite orientation dispersion and density imaging, NODDI), to demonstrate the strong potential of the new marker.We related quantitative metrics from histology and MRI in four post mortem spinal cord specimens (two controls; two progressive multiple sclerosis cases). The samples were scanned at high field, obtaining maps of neurite density and orientation dispersion from NODDI and routine diffusion tensor imaging (DTI) indices. Histological procedures provided markers of astrocyte, microglia, myelin and neurofilament density, as well as neurite dispersion.We report from both NODDI and histology a trend toward lower neurite dispersion in demyelinated lesions, indicative of reduced neurite architecture complexity. Also, we provide unequivocal evidence that NODDI-derived dispersion matches its histological counterpart (P < 0.001), while DTI metrics are less specific and influenced by several biophysical substrates.Neurite orientation dispersion detects a previously undescribed and potentially relevant layer of microstructural complexity of multiple sclerosis spinal cord pathology. Clinically feasible techniques such as NODDI may play a key role in clinical trial and practice settings, as they provide histologically meaningful dispersion indices.
11

Select and retrieve via direct upsampling” network (SARDU-Net): a data-driven, model-free, deep learning approach for quantitative MRI protocol design

Francesco Grussu et al.May 28, 2020
Abstract Purpose We introduce “Select and retrieve via direct upsampling” network (SARDU-Net), a data-driven framework for model-free quantitative MRI (qMRI) protocol design, and demonstrate it on in vivo brain and prostate diffusion-relaxation imaging (DRI). Methods SARDU-Net selects subsets of informative measurements within lengthy pilot scans, without the requirement to identify tissue parameters for which to optimise for. The algorithm consists of a selector , identifying measurement subsets, and a predictor , estimating fully-sampled signals from the subsets. We implement both using deep neural networks, which are trained jointly end-to-end. We demonstrate the algorithm on brain (32 diffusion-/T1-weightings) and prostate (16 diffusion-/T2-weightings) DRI scans acquired on 3 healthy volunteers on two separate 3T Philips systems each. We used SARDU-Net to identify sub-protocols of fixed size, assessing the reproducibility of the procedure and testing sub-protocols for their potential to inform multi-contrast analyses via T1-weighted spherical mean diffusion tensor (T1-SMDT, brain) and hybrid multi-dimensional MRI (HM-MRI, prostate) modelling. Results In both brain and prostate, SARDU-Net identifies sub-protocols that maximise information content in a reproducible manner across training instantiations. The sub-protocols enable multi-contrast modelling for which they were not optimised explicitly, providing robust T1-SMDT and HM-MRI maps and goodness-of-fit in the top 5% against extensive sub-protocol comparisons. Conclusions SARDU-Net gives new opportunities to identify economical but informative qMRI protocols from a subset of the pilot scans that can be used for acquisition-time-sensitive applications. The simple architecture makes the algorithm easy to train when exhaustive searches are intractable, and applicable to a variety of anatomical contexts.
11

Deep learning model fitting for diffusion-relaxometry: a comparative study

Francesco Grussu et al.Oct 21, 2020
Abstract Quantitative Magnetic Resonance Imaging (qMRI) signal model fitting is traditionally performed via non-linear least square (NLLS) estimation. NLLS is slow and its performance can be affected by the presence of different local minima in the fitting objective function. Recently, machine learning techniques, including deep neural networks (DNNs), have been proposed as robust alternatives to NLLS. Here we present a deep learning implementation of qMRI model fitting, which uses DNNs to perform the inversion of the forward signal model. We compare two DNN training strategies, based on two alternative definitions of the loss function, since at present it is not known which definition leads to the most accurate, precise and robust parameter estimation. In strategy 1 we define the loss as the l 2 -norm of tissue parameter prediction errors, while in strategy 2 as the l 2 -norm of MRI signal prediction errors. We compare the two approaches on synthetic and 3T in vivo saturation inversion recovery (SIR) diffusion-weighted (DW) MRI data, using a model for joint diffusion-T1 mapping. Strategy 1 leads to lower tissue parameter root mean squared errors (RMSEs) when realistic noise distributions are considered (e.g. Rician vs Gaussian). However, strategy 2 offers lower signal reconstruction RMSE, and allows training to be performed on both synthetic and actual in vivo MRI measurements. In conclusion, both strategies are valid choices for DNN-based fitting. Strategy 2 is more practical, as it does not require pre-computation of reference tissue parameters, but may lead to worse parameter estimation.
0

Multi-parametric quantitative spinal cord MRI with unified signal readout and image denoising

Francesco Grussu et al.Nov 29, 2019
Multi-parametric quantitative MRI (qMRI) of the spinal cord is a promising non-invasive tool to probe early microstructural damage in neurological disorders. It is usually performed by combining acquisitions with multiple signal readouts, which exhibit different thermal noise levels, geometrical distortions and susceptibility to physiological noise. This ultimately hinders joint multi-contrast modelling and makes the geometric correspondence of parametric maps challenging. We propose an approach to overcome these limitations, by implementing state-of-the-art microstructural MRI of the spinal cord with a unified signal readout. We base our acquisition on single-shot echo planar imaging with reduced field-of-view, and obtain data from two different vendors (vendor 1: Philips Achieva; vendor 2: Siemens Prisma). Importantly, the unified acquisition allows us to compare signal and noise across contrasts, thus enabling overall quality enhancement via Marchenko-Pastur (MP) Principal Component Analysis (PCA) denoising. MP-PCA is a recent method relying on redundant acquisitions, i.e. such that the number of measurements is much larger than the number of informative principal components. Here we used in vivo and synthetic data to test whether a unified readout enables more efficient denoising of less redundant acquisitions, since these can be denoised jointly with more redundant ones. We demonstrate that a unified readout provides robust multi-parametric maps, including diffusion and kurtosis tensors from diffusion MRI, myelin metrics from two-pool magnetisation transfer, and T1 and T2 from relaxometry. Moreover, we show that MP-PCA improves the quality of our multi-contrast acquisitions, since it reduces the coefficient of variation (i.e. variability) by up to 15% for mean kurtosis, 8% for bound pool fraction (BPF, myelin-sensitive), and 13% for T1, while enabling more efficient denoising of modalities limited in redundancy (e.g. relaxometry). In conclusion, multi-parametric spinal cord qMRI with unified readout is feasible and provides robust microstructural metrics with matched resolution and distortions, whose quality benefits from MP-PCA denoising, a useful pre-processing tool for spinal cord MRI.
0

Faster 3D saturation-recovery based myocardial T1 mapping using a reduced number of saturation points and denoising

Giovanna Nordio et al.Jul 31, 2019
Purpose To accelerate the acquisition of free-breathing 3D saturation-recovery-based (SASHA) myocardial T1 mapping by acquiring fewer saturation points in combination with a novel post-processing 3D denoising technique to maintain high accuracy and precision. Methods 3D SASHA T1 mapping acquires nine T1-weighted images along the saturation recovery curve, resulting in long acquisition times. In this work, we propose to accelerate conventional cardiac T1 mapping by reducing the number of saturation points. High T1 accuracy and precision is maintained by applying a 3D denoising technique to the T1-weighted images prior to pixel-wise T1 fitting. The proposed approach was evaluated on a T1 phantom and 20 healthy subjects, by varying the number of T1-weighted images acquired between three and nine, both prospectively and retrospectively. Three patients with suspected cardiovascular disease were acquired using five T1-weighted images. T1 accuracy and precision was determined for all the acquisitions before and after denoising. Results In the T1 phantom, no statistical difference was found in terms of accuracy and precision for the different number of T1-weighted images before or after denoising (P=0.99 and P=0.99 for accuracy, P=0.64 and P=0.42 for precision, respectively). In vivo, both prospectively and retrospectively, the precision improved considerably with the number of T1-weighted images employed before denoising (P<0.05) but was independent on the number of T1-weighted images after denoising. Conclusion We demonstrate the feasibility of accelerating 3D SASHA T1 mapping by reducing the number of acquired T1-weighted images in combination with an efficient 3D denoising, without affecting accuracy and precision of T1 values.