OBJECTIVE. The purposes of this study were to determine whether the pretreatment apparent diffusion coefficients (ADCs) of hepatic metastatic lesions from colorectal cancer are predictive of response to chemotherapy and to compare the ADCs of metastatic lesions before and after chemotherapy. SUBJECTS AND METHODS. Twenty patients with potentially operable hepatic lesions larger than 1 cm in diameter metastatic from colorectal carcinoma were prospectively evaluated with diffusion-weighted imaging at three b values before and after chemotherapy. Quantitative ADC maps were calculated with images with b values of 0, 150, and 500 s/mm2 (ADC0-500) and with images with b values of 150 and 500 s/mm2 (ADC150-500). Regions of interest were drawn around metastatic lesions and randomly over liver. The mean ADC0-500 and mean ADC150-500 of metastatic lesions before and after chemotherapy were compared according to response defined by Response Evaluation Criteria in Solid Tumors criteria. RESULTS. Twenty-five responding and 15 nonresponding metastatic lesions were evaluated. Nonresponding lesions had a significantly higher pretreatment mean ADC0-500 and mean ADC150-500 than did responding lesions (Mann-Whitney U test, p < 0.002). There was a linear regression relation (r2 = 0.34, p = 0.02) between percentage size reduction of metastatic lesions and pretreatment mean ADC150-500. After chemotherapy, responding lesions had a significant increase in mean ADC0-500 and ADC150-500 (Wilcoxon's signed rank, p = 0.025). No significant change was observed in nonresponding metastatic lesions (Wilcoxon's signed rank, p > 0.5) or in normal liver parenchyma (Wilcoxon's signed rank, p >0.4). CONCLUSION. High pretreatment mean ADC0-500 and mean ADC150-500 of colorectal hepatic metastatic lesions were predictive of poor response to chemotherapy. A significant increase in mean ADC0-500 and ADC150-500 was observed in metastatic lesions that responded to chemotherapy. These findings may have implications for development of individualized therapy.

We aimed to compare the ability of diffusion tensor imaging and multi-compartment spherical mean technique to detect focal tissue damage and in distinguishing between different connectivity patterns associated with varying clinical outcomes in multiple sclerosis (MS). Seventy-six people diagnosed with MS were scanned using a SIEMENS Prisma Fit 3T magnetic resonance imaging (MRI), employing both conventional (T1w and fluid-attenuated inversion recovery) and advanced diffusion MRI sequences from which fractional anisotropy (FA) and microscopic FA (μFA) maps were generated. Using automated fiber quantification (AFQ), we assessed diffusion profiles across multiple white matter (WM) pathways to measure the sensitivity of anisotropy diffusion metrics in detecting localized tissue damage. In parallel, we analyzed structural brain connectivity in a specific patient cohort to fully grasp its relationships with cognitive and physical clinical outcomes. This evaluation comprehensively considered different patient categories, including cognitively preserved (CP), mild cognitive deficits (MCD), and cognitively impaired (CI) for cognitive assessment, as well as groups distinguished by physical impact: those with mild disability (Expanded Disability Status Scale [EDSS] <=3) and those with moderate-severe disability (EDSS >3). In our initial objective, we employed Ridge regression to forecast the presence of focal MS lesions, comparing the performance of μFA and FA. μFA exhibited a stronger association with tissue damage and a higher predictive precision for focal MS lesions across the tracts, achieving an R-squared value of .57, significantly outperforming the R-squared value of .24 for FA (p-value <.001). In structural connectivity, μFA exhibited more pronounced differences than FA in response to alteration in both cognitive and physical clinical scores in terms of effect size and number of connections. Regarding cognitive groups, FA differences between CP and MCD groups were limited to 0.5% of connections, mainly around the thalamus, while μFA revealed changes in 2.5% of connections. In the CP and CI group comparison, which have noticeable cognitive differences, the disparity was 5.6% for FA values and 32.5% for μFA. Similarly, μFA outperformed FA in detecting WM changes between the MCD and CI groups, with 5% versus 0.3% of connections, respectively. When analyzing structural connectivity between physical disability groups, μFA still demonstrated superior performance over FA, disclosing a 2.1% difference in connectivity between regions closely associated with physical disability in MS. In contrast, FA spotted a few regions, comprising only 0.6% of total connections. In summary, μFA emerged as a more effective tool than FA in predicting MS lesions and identifying structural changes across patients with different degrees of cognitive and global disability, offering deeper insights into the complexities of MS-related impairments.

The first genome-wide significant multiple sclerosis severity locus, rs10191329, has been pathologically linked to cortical lesion load and brain atrophy. However, observational cohorts such as MSBase have not replicated associations with disability outcomes, instead finding other loci. We evaluated rs10191329 and MSBase loci in a unique cohort of 53 people followed for 30 years after a clinically isolated syndrome, with deep clinical phenotyping and MRI measures of inflammation and neurodegeneration. After 30 years, 26 had developed relapsing-remitting multiple sclerosis, 15 secondary progressive multiple sclerosis and 12 remained diagnosed with a clinically isolated syndrome. Genetic associations with disease severity (age-related multiple sclerosis severity score and Expanded Disability Status Scale), disease course and brain MRI features (white matter lesions, cortical lesions and grey matter fraction) were investigated using regression models and survival analyses. rs10191329 was not associated with multiple sclerosis severity, secondary progressive multiple sclerosis diagnosis or brain MRI features at 30 years. Similarly, MSBase loci were not associated with 30-year disease severity, although rs73091975 was significantly associated with lower 14-year age-related multiple sclerosis severity score in those developing multiple sclerosis. Given that effect sizes for both rs10191329 and rs73091975 were greatest between 14 and 20 years, these findings suggest genetic effects on multiple sclerosis severity may interact non-linearly with disease duration.

Motivation: Some people exposed to SARS-CoV-2 experience persistent symptoms months after recovering from acute infection. These symptoms, grouped under the umbrella of &ldquo;long-COVID&rdquo;, include neurological and autonomic dysfunctions for which there is not yet a clear explanation. Goal(s): To identify biophysically meaningful features characterising long-COVID pathophysiology in the brain. Approach: A novel multimodal MRI protocol was developed to measure iron accumulation, myelin content, inflammation, microstructure alterations, atrophy, and cerebral blood flow changes. Machine learning was employed to discriminate long-COVID from controls and people who fully recovered. Results: Alterations in bound-pool fraction (myelin content) emerge in long-COVID. Impact: This study encourages investigating the neurological aspect of long-COVID and its interplay with conditions affecting myelin as it shows that long-COVID may cause myelin alterations or be more likely to occur in people with compromised myelin content in the brain.

Motivation: The long acquisition time of diffusion-weighted (DW) imaging hinders its adoption in the clinic for studying pathological microstructural changes in vivo. Goal(s): The goal of this study was to reduce these long acquisition times by performing downsampling in k-space while maintaining clinical sensitivity. Approach: Deep learning was used to transform k-space data to DW images. Experiments were performed eliminating 30% of k-space lines using different methods. Results: DW images obtained with k-space down-sampling showed a reduction in artefacts, while fractional anisotropy images fitted from the network output appeared to have increased clinical sensitivity. Impact: This work paves the way for the design of acquisition strategies for fast diffusion-imaging. Through deep learning, it was possible to downsample k-space data in several ways, while obtaining a reduction in artefacts, with a potential increase in clinical sensitivity.

Motivation: &chi;-separation method relies on assuming a certain relaxometric constant (Dr) calculated as the mean of a group of healthy subjects. Recently, we demonstrated that it is subject-specific. Goal(s): The goal of this study was to evaluate the correlation between Dr and microstructural metrics obtained from diffusion tensor and diffusion kurtosis imaging (DTI and DKI). Approach: We regressed between Dr against DTI and DKI diffusion metrics in a cohort of healthy controls. Results: Results showed a positive correlation with fractional anisotropy and axial diffusivity, and a negative correlation with mean and radial kurtosis. Impact: Understanding how the relaxometric constant of the &chi;-separation method (Dr) depends on microstructural diffusion metrics will define its personalization. This, in turn, will impact on how we assess the presence of different magnetic susceptibility sources in the brain.

Motivation: The symptoms of brain fog include problems with concentration, memory, attention, which result in difficulties with communication. This can make it extremely difficult for an individual to carry out daily tasks and responsibilities as well as maintain relationships deteriorating their quality of life. Goal(s): To investigate white matter alteration in Long-COVID. Approach: Voxel-wise analysis of core white matter voxels using advanced MRI metrics and neuropsychological scores. Results: Results highlight promising perspective for further investigations and potential clinical interpretation of Long-COVID syndromesImpact: The addition of MRI enables a more thorough exploration of the diverse cognitive dimensions affected in individuals experiencing brain fog and perhaps the possibility to understanding the involvement of WM alterations as either a risk factor or consequence of Long-COVID.

Motivation: The Virtual Brain (TVB) is a neuroinformatic platform used to perform brain dynamic simulations integrating subject-specific imaging data. In standard TVB the input conduction velocity is fixed, making it insensitive to local effective measures of myelin content. Goal(s): Here we parameterized signal conduction velocity for TVB simulations. Approach: Considering myelin role in efficient neural conduction, myelin measures were integrated into TVB. Results: Making TVB sensitive to myelin content highlights variations in simulation outcomes with potential improvements in capturing spatiotemporal dynamics of brain activity. This advancement opens perspectives for realizing more accurate subject-specific simulations, representing a new step towards brain digital twinning. Impact: Brain Digital Twin technologies will transform personalized medicine, providing a better understanding of pathophysiological underpinnings of diseases. Our study demonstrates how simulating brain activity with The Virtual Brain model improves when integrating subject-specific neural conduction values, calculated from myelin measures.

Motivation: Long-COVID is a disabling health problem caused by SARS-COV-2 syndrome, whose underlying biological mechanisms are still debated. Goal(s): This study aimed at finding the set of quantitative MRI (qMRI) metrics that best correlate with fatigue, smell (i.e. anosmia),and cognitive dysfunction, common in this condition. Approach: People with COVID19 history with and without long-COVID were assessed through a multimodal one-hour-long qMRI protocol and underwent clinical evaluation. Results: Correlation analyses between qMRI metrics and clinical scores showed that neurite density index changes explain both fatigue and smell function (also affected by changes in brain stem volume),while mean diffusivity and magnetic susceptibility changes explain cognitive function. Impact: This work sheds light on the underlying biological mechanisms of long-COVID (anosmia, fatigue, and cognitive impairment). Metrics sensitive to microstructure, inflammation and possible iron accumulation best explain persistent symptoms, emphasizing the role of multimodal qMRI in the clinic.