Abstract The noninvasive thermometry method is based on the temperature dependence of the proton resonance frequency (PRF). High‐quality temperature images can be obtained from phase information of standard gradient‐echo sequences with an accuracy of 0.2°C in phantoms. This work was focused on the in vivo capabilities of this method. An experimental setup was designed that allows a qualitative in vivo verification. The lower‐leg muscles of a volunteer were cooled and afterwards reheated with an external water bolus. The temperature of the bolus water varied between 17°C and 37°C. The in vivo temperature images can be used to extract the temperature in muscle tissue. The data in the fat tissue are difficult to interpret because of the predominance of susceptibility effects. The results confirm the method's potential for hyperthermia control.

Carnosine (β-alanyl-l-histidine) is present in high concentrations in human skeletal muscle. The ingestion of β-alanine, the rate-limiting precursor of carnosine, has been shown to elevate the muscle carnosine content. We aimed to investigate, using proton magnetic resonance spectroscopy (proton MRS), whether oral supplementation with β-alanine during 4 wk would elevate the calf muscle carnosine content and affect exercise performance in 400-m sprint-trained competitive athletes. Fifteen male athletes participated in a placebo-controlled, double-blind study and were supplemented orally for 4 wk with either 4.8 g/day β-alanine or placebo. Muscle carnosine concentration was quantified in soleus and gastrocnemius by proton MRS. Performance was evaluated by isokinetic testing during five bouts of 30 maximal voluntary knee extensions, by endurance during isometric contraction at 45% maximal voluntary contraction, and by the indoor 400-m running time. β-Alanine supplementation significantly increased the carnosine content in both the soleus (+47%) and gastrocnemius (+37%). In placebo, carnosine remained stable in soleus, while a small and significant increase of +16% occurred in gastrocnemius. Dynamic knee extension torque during the fourth and fifth bout was significantly improved with β-alanine but not with placebo. Isometric endurance and 400-m race time were not affected by treatment. In conclusion, 1) proton MRS can be used to noninvasively quantify human muscle carnosine content; 2) muscle carnosine is increased by oral β-alanine supplementation in sprint-trained athletes; 3) carnosine loading slightly but significantly attenuated fatigue in repeated bouts of exhaustive dynamic contractions; and 4) the increase in muscle carnosine did not improve isometric endurance or 400-m race time.

Abstract Presurgical planning for brain tumor resection aims at delineating eloquent tissue in the vicinity of the lesion to spare during surgery. To this end, non-invasive neuroimaging techniques such as functional MRI and diffusion weighted imaging fiber tracking are currently employed. However, taking into account this information is often still insufficient, as the complex non-linear dynamics of the brain impede straightforward prediction of functional outcome after surgical intervention. Large-scale brain network modeling carries the potential to bridge this gap by integrating neuroimaging data with biophysically based models to predict collective brain dynamics. As a first step in this direction, an appropriate computational model has to be selected, after which suitable model parameter values have to be determined. To this end, we simulated large-scale brain dynamics in 25 human brain tumor patients and 11 human control participants using The Virtual Brain, an open-source neuroinformatics platform. Local and global model parameters of the Reduced Wong-Wang model were individually optimized and compared between brain tumor patients and control subjects. In addition, the relationship between model parameters and structural network topology and cognitive performance was assessed. Results showed (1) significantly improved prediction accuracy of individual functional connectivity when using individually optimized model parameters; (2) local model parameters can differentiate between regions directly affected by a tumor, regions distant from a tumor, and regions in a healthy brain; and (3) interesting associations between individually optimized model parameters and structural network topology and cognitive performance.

Abstract Brain tumor patients scheduled for tumor resection often face significant uncertainty, as the outcome of neurosurgery is difficult to predict at the individual patient level. Recently, computational modeling of brain activity using so-called brain network models has been introduced as a promising tool for this purpose. However, brain network models first have to be validated, before they can be used to predict brain dynamics. In prior work, we optimized individual brain network model parameters to maximize the fit with empirical brain activity. In this study, we extend this line of research by examining the stability of fitted parameters before and after tumor resection, and compare it with baseline parameter variability using data from healthy control subjects. Based on these findings, we perform the first “virtual neurosurgery” analyses to evaluate the potential of brain network modeling in predicting brain dynamics after tumor resection. We find that brain network model parameters are relatively stable over time in brain tumor patients who underwent tumor resection, compared with baseline variability in healthy control subjects. In addition, we identify several robust associations between individually optimized model parameters, structural network topology and cognitive performance from pre-to post-operative assessment. Concerning the virtual neurosurgery analyses, we obtain promising results in some patients, whereas the predictive accuracy of the currently applied model is poor in others. These findings reveal interesting avenues for future research, as well as important limitations that warrant further investigation.

Arterial spin labeling (ASL) has undergone significant development since its inception, with a focus on improving standardization and reproducibility of its acquisition and quantification. In a community-wide effort towards robust and reproducible clinical ASL image processing, we developed the software package ExploreASL, allowing standardized analyses across centers and scanners. The procedures used in ExploreASL capitalize on published image processing advancements and address the challenges of multi-center datasets with scanner-specific processing and artifact reduction to limit patient exclusion. ExploreASL is self-contained, written in MATLAB and based on Statistical Parameter Mapping (SPM) and runs on multiple operating systems. The toolbox adheres to previously defined international standards for data structure, provenance, and best analysis practice. ExploreASL was iteratively refined and tested in the analysis of >10,000 ASL scans using different pulse-sequences in a variety of clinical populations, resulting in four processing modules: Import, Structural, ASL, and Population that perform tasks, respectively, for data curation, structural and ASL image processing and quality control, and finally preparing the results for statistical analyses on both single-subject and group level. We illustrate ExploreASL processing results from three cohorts: perinatally HIV-infected children, healthy adults, and elderly at risk for neurodegenerative disease. We show the reproducibility for each cohort when processed at different centers with different operating systems and MATLAB versions, and its effects on the quantification of gray matter cerebral blood flow. ExploreASL facilitates the standardization of image processing and quality control, allowing the pooling of cohorts to increase statistical power and discover between-group perfusion differences. Ultimately, this workflow may advance ASL for wider adoption in clinical studies, trials, and practice.