Purpose To demonstrate the feasibility of multidimensional diffusion MRI to probe and quantify microscopic fractional anisotropy (µFA) in human kidneys in vivo. Methods Linear tensor encoded (LTE) and spherical tensor encoded (STE) renal diffusion MRI scans were performed in 10 healthy volunteers. Respiratory triggering and image registration were used to minimize motion artefacts during the acquisition. Kidney cortex–medulla were semi‐automatically segmented based on fractional anisotropy (FA) values. A model‐free analysis of LTE and STE signal dependence on b‐value in the renal cortex and medulla was performed. Subsequently, µFA was estimated using a single‐shell approach. Finally, a comparison of conventional FA and µFA is shown. Results The hallmark effect of µFA (divergence of LTE and STE signal with increasing b‐value) was observed in all subjects. A statistically significant difference between LTE and STE signal was found in the cortex and medulla, starting from b = 750 s/mm 2 and b = 500 s/mm 2 , respectively. This difference was maximal at the highest b‐value sampled ( b = 1000 s/mm 2 ) which suggests that relatively high b‐values are required for µFA mapping in the kidney compared to conventional FA. Cortical and medullary µFA were, respectively, 0.53 ± 0.09 and 0.65 ± 0.05, both respectively higher than conventional FA (0.19 ± 0.02 and 0.40 ± 0.02). Conclusion The feasibility of combining LTE and STE diffusion MRI to probe and quantify µFA in human kidneys is demonstrated for the first time. By doing so, we show that novel microstructure information—not accessible by conventional diffusion encoding—can be probed by multidimensional diffusion MRI. We also identify relevant technical limitations that warrant further development of the technique for body MRI.

Disimpy is a simulator for generating diffusion-weighted magnetic resonance imaging (dMRI) data that is useful in the development and validation of new methods for data acquisition and analysis.Diffusion of water is modelled as an ensemble of random walkers whose trajectories are generated on an Nvidia (Nvidia Corporation, Santa Clara, California, United States) CUDA-capable (Nickolls, Buck, Garland, & Skadron, 2008) graphical processing unit (GPU).The massive parallelization results in a significant performance gain, enabling simulation experiments to be performed on standard laptop and desktop computers.Disimpy is written in Python (Python Software Foundation), making its source code very approachable and easily extensible.

Microscopic diffusion anisotropy imaging using diffusion-weighted MRI and multidimensional diffusion encoding is a promising method for quantifying clinically and scientifically relevant microstructural properties of neural tissue. Several methods for estimating microscopic fractional anisotropy (µFA), a normalized measure of microscopic diffusion anisotropy, have been introduced but the differences between the methods have received little attention thus far. In this study, the accuracy and precision of µFA estimation using q-space trajectory encoding and different signal models were assessed using imaging experiments and simulations. Three healthy volunteers and a microfibre phantom were imaged with five non-zero b-values and gradient waveforms encoding linear and spherical b-tensors. Since the ground-truth µFA was unknown in the imaging experiments, Monte Carlo random walk simulations were performed using axon-mimicking fibres for which the ground truth was known. Furthermore, parameter bias due to time-dependent diffusion was quantified by repeating the simulations with tuned waveforms, which have similar power spectra, and with triple diffusion encoding, which, unlike q-space trajectory encoding, is not based on the assumption of time-independent diffusion. The truncated cumulant expansion of the powder-averaged signal, gamma-distributed diffusivities assumption, and q-space trajectory imaging, a generalization of the truncated cumulant expansion to individual signals, were used to estimate µFA. The gamma-distributed diffusivities assumption consistently resulted in greater µFA values than the second order cumulant expansion, 0.1 greater when averaged over the whole brain. In the simulations, the generalized cumulant expansion provided the most accurate estimates. Importantly, although time-dependent diffusion caused significant overestimation of µFA using all the studied methods, the simulations suggest that the resulting bias in µFA is less than 0.1 in human white matter.