A head computed tomography (CT) with positive results for acute intracranial hemorrhage is the gold-standard diagnostic biomarker for acute traumatic brain injury (TBI). In moderate to severe TBI (Glasgow Coma Scale [GCS] scores 3-12), some CT features have been shown to be associated with outcomes. In mild TBI (mTBI; GCS scores 13-15), distribution and co-occurrence of pathological CT features and their prognostic importance are not well understood.To identify pathological CT features associated with adverse outcomes after mTBI.The longitudinal, observational Transforming Research and Clinical Knowledge in Traumatic Brain Injury (TRACK-TBI) study enrolled patients with TBI, including those 17 years and older with GCS scores of 13 to 15 who presented to emergency departments at 18 US level 1 trauma centers between February 26, 2014, and August 8, 2018, and underwent head CT imaging within 24 hours of TBI. Evaluations of CT imaging used TBI Common Data Elements. Glasgow Outcome Scale-Extended (GOSE) scores were assessed at 2 weeks and 3, 6, and 12 months postinjury. External validation of results was performed via the Collaborative European NeuroTrauma Effectiveness Research in Traumatic Brain Injury (CENTER-TBI) study. Data analyses were completed from February 2020 to February 2021.Acute nonpenetrating head trauma.Frequency, co-occurrence, and clustering of CT features; incomplete recovery (GOSE scores <8 vs 8); and an unfavorable outcome (GOSE scores <5 vs ≥5) at 2 weeks and 3, 6, and 12 months.In 1935 patients with mTBI (mean [SD] age, 41.5 [17.6] years; 1286 men [66.5%]) in the TRACK-TBI cohort and 2594 patients with mTBI (mean [SD] age, 51.8 [20.3] years; 1658 men [63.9%]) in an external validation cohort, hierarchical cluster analysis identified 3 major clusters of CT features: contusion, subarachnoid hemorrhage, and/or subdural hematoma; intraventricular and/or petechial hemorrhage; and epidural hematoma. Contusion, subarachnoid hemorrhage, and/or subdural hematoma features were associated with incomplete recovery (odds ratios [ORs] for GOSE scores <8 at 1 year: TRACK-TBI, 1.80 [95% CI, 1.39-2.33]; CENTER-TBI, 2.73 [95% CI, 2.18-3.41]) and greater degrees of unfavorable outcomes (ORs for GOSE scores <5 at 1 year: TRACK-TBI, 3.23 [95% CI, 1.59-6.58]; CENTER-TBI, 1.68 [95% CI, 1.13-2.49]) out to 12 months after injury, but epidural hematoma was not. Intraventricular and/or petechial hemorrhage was associated with greater degrees of unfavorable outcomes up to 12 months after injury (eg, OR for GOSE scores <5 at 1 year in TRACK-TBI: 3.47 [95% CI, 1.66-7.26]). Some CT features were more strongly associated with outcomes than previously validated variables (eg, ORs for GOSE scores <5 at 1 year in TRACK-TBI: neuropsychiatric history, 1.43 [95% CI .98-2.10] vs contusion, subarachnoid hemorrhage, and/or subdural hematoma, 3.23 [95% CI 1.59-6.58]). Findings were externally validated in 2594 patients with mTBI enrolled in the CENTER-TBI study.In this study, pathological CT features carried different prognostic implications after mTBI to 1 year postinjury. Some patterns of injury were associated with worse outcomes than others. These results support that patients with mTBI and these CT features need TBI-specific education and systematic follow-up.

Abstract Diffusion tractography MRI can infer changes in network connectivity in patients with traumatic brain injury (TBI), but pathological substrates of disconnected tracts have not been well-defined due to a lack of high-resolution imaging with histopathological validation. We developed an ex vivo MRI protocol to analyze tract terminations at 750 μm resolution, followed by histopathologic evaluation of white matter pathology, and applied these methods to a 60-year-old man who died 26 days after TBI. Analysis of 74 cerebral hemispheric white matter regions revealed a heterogeneous distribution of tract disruptions. Associated histopathology identified variable white matter injury with patchy deposition of amyloid precursor protein and loss of neurofilament-positive axonal processes, myelin dissolution, astrogliosis, microgliosis, and perivascular hemosiderin-laden macrophages. Multiple linear regression revealed that tract disruption strongly correlated with neurofilament loss. Ex vivo diffusion MRI can detect tract disruptions in the human brain that reflect axonal injury.

Large-scale diffusion MRI tractography remains a significant challenge. Users must orchestrate a complex sequence of instructions that requires many software packages with complex dependencies and high computational cost. We developed MaPPeRTrac, a probabilistic tractography pipeline that simplifies and vastly accelerates this process on a wide range of high performance computing (HPC) environments. It fully automates the entire tractography pipeline, from management of raw MRI machine data to edge density imaging (EDI) of the structural connectome. Dependencies are containerized with Docker or Singularity and de-coupled from code to enable rapid prototyping and modification. Data artifacts are strictly organized with the Brain Imaging Data Structure (BIDS) to ensure that they are findable, accessible, interoperable, and reusable following FAIR principles. The pipeline takes full advantage of HPC resources using the Parsl parallel programming framework, resulting in the creation of connectome datasets of unprecedented size. MaPPeRTrac is publicly available and tested on commercial and scientific hardware, so that it may accelerate brain connectome research for a broader user community.

Abstract Probabilistic MRI diffusion tractography is a sophisticated technique to investigate structural connectomes, but its steep computational cost prevents application to broader research and clinical settings. Major speedup can be achieved by reducing the number of tractography streamlines. To ensure this does not degrade connectome quality, we calculate the identifiability of connectomes between test and retest MRI as a proxy for information content. We find that reducing streamline count by up to two orders of magnitude from prevailing levels in literature has no significant impact on identifiability. Incidentally, we also observe that Jaccard similarity is more effective than Pearson correlation in achieving identifiability. This document was prepared as an account of work sponsored by an agency of the United States government. Neither the United States government nor Lawrence Livermore National Security, LLC, nor any of their employees makes any warranty, expressed or implied, or assumes any legal liability or responsibility for the accuracy, completeness, or usefulness of any information, apparatus, product, or process disclosed, or represents that its use would not infringe privately owned rights. Reference herein to any specific commercial product, process, or service by trade name, trademark, manufacturer, or otherwise does not necessarily constitute or imply its endorsement, recommendation, or favoring by the United States government or Lawrence Livermore National Security, LLC. The views and opinions of authors expressed herein do not necessarily state or reflect those of the United States government or Lawrence Livermore National Security, LLC, and shall not be used for advertising or product endorsement purposes .