Dipy, a library for the analysis of diffusion MRI data

    Publication Date
    Source Authors
    Source Title
    Source Issue
    Publication Date

    2014

    Source Authors

    Garyfallidis E, Brett M, Amirbekian B, Rokem A, van der Walt S, Descoteaux M, Nimmo-Smith I.

    Source Title

    Dipy, a library for the analysis of diffusion MRI data

    Source Issue

    Frontiers in Neuroinformatics

    Page Range:

    L’articolo si pone nell’ambito scientifico della diagnostica per immagini, in particolar modo colloca l’attenzione sull’ importanza che gli studi eseguiti con particolari tecniche di Risonanza Magnetica, nel campo della neurologia, dove può aggiungere informazioni fondamentali ad esami standard.
    La Risonanza Magnetica grazie all’evoluzione tecnologica sta acquisendo sempre più un maggior prominenza nella valutazione/classificazione delle principali disfunzioni in quanto unisce l’assenza di radiazioni alla possibilità di utilizzare sequenze sempre più performanti e di alto valore diagnostico. L’innovazione ha superato i limiti di tale tecnica permettendo di avere dei tempi più brevi, una maggiore risoluzione delle sequenze, oltre all’ invenzione di Software sempre piu performanti come il “ DIPY” che è un progetto di un software, ad oggi gratuito e open source per la neuroanatomia, incentrato principalmente sull’analisi della risonanza magnetica a diffusione (dMRI). Esso implementa una vasta gamma di algoritmi per il denoising, la registrazione, la ricostruzione, il monitoraggio, il clustering, la visualizzazione e l’analisi statistica dei dati MRI. L’originalità del lavoro e l’obbiettivo che risiede consta. Dipy raccoglie implementazioni di molti metodi diversi in dMRI, tra cui: pre-elaborazione del segnale di diffusione; ricostruzione delle distribuzioni di diffusione nei singoli voxel; tractografia in fibra e post-elaborazione, analisi e visualizzazione di piste in fibra. Dipy mira a fornire implementazioni trasparenti per tutte le diverse fasi dell’analisi dMRI con un’interfaccia di programmazione uniforme, oltre a funzioni di utilità aggiuntive che sono fornite per calcolare varie statistiche, e gestione dei file per aiutare lo sviluppo e l’uso di nuove tecniche. Per esaltare e determinare l’accuratezza diagnostica della risonanza magnetica.
    L’elaborato si articola in tre parti principali. La prima parte introduce la risonanza magnetica e sottolinea le innovazioni introdotte. La seconda parte entra nel dettaglio illustrando i Pro dell’utilizzo del software anzidetto in MRI. In fine vengono poste le considerazioni finali portando così ad aumento della conoscenza professionale.

    REFERENCES/Bibliografia

    1. Aganj, I., Lenglet, C., Sapiro, G., Yacoub, E., Ugurbil, K., and Harel, N. (2010).
    2. Reconstruction of the orientation distribution function in single- and multipleshell q-ball imaging within constant solid angle. Magn. Reson. Med. 64,554–556. doi: 10.1002/mrm.22365
    3. Alexander, D., Barker, G., and Arridge, S. (2002). Detection and modeling of nongaussian apparent diffusion coefficient profiles in human brain data. Magn.Reson. Med. 48, 331–340. doi: 10.1002/mrm.10209
    4. Anderson, A. (2005). Measurements of fiber orientation distributions using high angular resolution diffusion imaging. Magnet. Reson. Med. 54, 1194–1206. doi: 10.1002/mrm.20667
    5. Arsigny, V., Fillard, P., Pennec, X., and Ayache, N. (2006). Log-euclidean metrics for fast and simple calculus on diffusion tensors. Magn. Reson. Med. 56, 411–421. doi: 10.1002/mrm.20965
    6. Assaf, Y., Blumenfeld-Katzir, T., Yovel, Y., and Basser, P. J. (2008). Axcaliber: a method for measuring axon diameter distribution from diffusion mri. Magn. Reson. Med. 59, 1347–1354. doi: 10.1002/mrm.21577
    7. Basser, P., Mattiello, J., and LeBihan, D. (1994). MR diffusion tensor spectroscopy and imaging. Biophys. J. 66, 259–267. doi: 10.1016/S0006-3495(94) 80775-1
    8. Basser, P. J., Pajevic, S., Pierpaoli, C., Duda, J., and Aldroubi, A. (2000). In vivo fiber tractography using DT-MRI data. Magn. Reson. Med. 44, 625–632. doi: 10.1002/1522-2594(200010)44:4<625::AID-MRM17>3.0.CO;2-O
    9. Basser, P. J., and Pierpaoli, C. (1996). Microstructural and physiological features of tissues elucidated by quantitative-diffusion-tensor MRI. J. Magn. Reson. 213, 560–570. doi: 10.1016/j.jmr.2011.09.022
    10. Beaulieu, C. (2002). The basis of anisotropic water diffusion in the nervous system – a technical review. NMR Biomed. 15, 435–455. doi: 10.1002/nbm.782 Beaulieu, C., Does, M. D., Snyder, R. E., and Allen, P. S. (1996).
    11. Changes in water diffusion due to Wallerian degeneration in peripheral nerve. Magn. Reson. Med. 36, 627–631. doi: 10.1002/mrm.1910360419
    12. Behrens, T., and Johansen-Berg, H. (eds.). (2009). Diffusion MRI. Elsevier.
    13. Ben-Shachar, M., Dougherty, R. F., and Wandell, B. A. (2007).
    14. Whitematter pathways in reading. Curr. Opin. Neurobiol. 17, 258–270. doi: 10.1016/j.conb.2007.03.006
    15. Berman, J., Chung, S., Mukherjee, P., Hess, C., Han, E., and Henry, R. (2008).
    16. Probabilistic streamline q-ball tractography using the residual bootstrap.
    17. Neuroimage 39, 215–222. doi: 10.1016/j.neuroimage.2007.08.021
    18. Bilgic, B., Setsompop, K., Cohen-Adad, J., Yendiki, A., Wald, L., and Adalsteinsson, E. (2012). Accelerated diffusion spectrum imaging with compressed sensing using adaptive dictionaries. Magn. Reson. Med. 68, 1747–1754. doi: 10.1002/mrm.24505
    19. Callaghan, P., Eccles, C., and Xia, Y. (1988). Rapid communication: NMR microscopy of dynamic displacements: k-space and q-space imaging. J. Phys. E Sci. Instrum. 21, 820–822. doi: 10.1088/0022-3735/21/8/017
    20. Callaghan, P. T. (1991). Principles of Nuclear Magnetic Resonance Microscopy. Oxford: Oxford University Press.
    21. Canales-Rodríguez, E. J., Iturria-Medina, Y., Aleman-Gomez, Y., and Melie-Garcia,
    22. L. (2010). Deconvolution in diffusion spectrum imaging. Neuroimage 50, 136–149. doi: 10.1016/j.neuroimage.2009.11.066
    23. Caruyer, E., Lenglet, C., Sapiro, G., and Deriche, R. (2013). Design of multishell sampling schemes with uniform coverage in diffusion MRI. Magn. Reson. Med. 69, 1534–1540. doi: 10.1002/mrm.24736
    24. Chamberland, M., and Descoteaux, M. (2013). “Explore the brain white matter networks in real-time: multi-sticks fiber tracking,” in The International Society for Magnetic Resonance in Medicine (Sherbrooke).
    25. Chang, L.-C., Jones, D. K., and Pierpaoli, C. (2005). RESTORE: robust estimation of tensors by outlier rejection. Magn. Reson. Med. 53, 1088–1095. doi: 10.1002/mrm.20426
    26. Chang, L.-C., Walker, L., and Pierpaoli, C. (2012). Informed RESTORE: a method for robust estimation of diffusion tensor from low redundancy datasets in the presence of physiological noise artifacts. Magn. Reson. Med. 68, 1654–1663. doi: 10.1002/mrm.24173
    27. Chung, S., Lu, Y., and Henry, R. G. (2006). Comparison of bootstrap approaches for estimation of uncertainties of DTI parameters. Neuroimage 33, 531–541. doi: 10.1016/j.neuroimage.2006.07.001
    28. Clayden, J. D., Maniega, S. M., Storkey, A. J., King, M. D., Bastin, M. E., and Clark, C. A. (2011). TractoR: magnetic resonance imaging and tractography with R. J. Stat. Softw. 44, 1–18.
    29. Conturo, T., Lori, N., Cull, T., Akbudak, E., Snyder, A., Shimony, J., et al. (1999).
    30. Tracking neuronal fiber pathways in the living human brain. Proc. Natl. Acad. Sci. U.S.A. 96, 10422–10427. doi: 10.1073/pnas.96.18.10422 Cook, P., Bai, Y., Nedjati-Gilani, S., Seunarine, K., Hall, M., Parker, G., et al. (2006).
    31. Camino: open-source diffusion-MRI reconstruction and processing. Int. Soc. Magn. Reson. Med. 14, 2759.
    32. Côté, M.-A., Girard, G., Boré, A., Garyfallidis, E., Houde, J.-C., and Descoteaux, M. (2013). Tractometer: towards validation of tractography pipelines. Med. Image Anal. 17, 844–857. doi: 10.1016/j.media.2013.03.009
    33. Cox, R. W. (2012). AFNI: what a long strange trip it’s been. Neuroimage 62, 743–747. doi: 10.1016/j.neuroimage.2011.08.056 Daducci, A., Gerhard, S., Griffa, A., Lemkaddem, A., Cammoun, L., Gigandet,X., et al. (2012). The connectome mapper: an open-source processing pipelineto map connectomes with MRI. PLoS ONE 7:e48121. doi: 10.1371/journal.pone.0048121
    34. Descoteaux, M. (2008). “High Angular Resolution Diffusion MRI: From Local
    35. Estimation to Segmentation and Tractography.” Ph.D. thesis, Université de NiceSophia Antipolis.
    36. Descoteaux, M., Angelino, E., Fitzgibbons, S., and Deriche, R. (2006). Apparent diffusion coefficients from high angular resolution diffusion imaging: estimation
    37. Frontiers in Neuroinformatics www.frontiersin.org February 2014 | Volume 8 | Article 8 | 15
    38. Garyfallidis et al. Dipy and applications. Magn. Reson. Med. 56, 395–410. doi: 10.1002/mrm. 20948
    39. Descoteaux, M., Angelino, E., Fitzgibbons, S., and Deriche, R. (2007). Regularized, fast, and robust analytical q-ball imaging. Magn. Reson. Med. 58, 497–510. doi: 10.1002/mrm.21277
    40. Descoteaux, M., Deriche, R., Bihan, D. L., Mangin, J.-F., and Poupon, C. (2011). Multiple q-shell diffusion propagator imaging. Med. Image Anal. 15, 603–621. doi: 10.1016/j.media.2010.07.001
    41. Descoteaux, M., Deriche, R., Knösche, T. R., and Anwander, A. (2009).
    42. Deterministic and probabilistic tractography based on complex fibre orientation distributions. IEEE Trans. Med. Imaging 28, 269–286. doi: 10.1109/TMI.2008.2004424
    43. Donoho, D. L. (2010). An invitation to reproducible computational research.
    44. Biostatistics 11, 385–388. doi: 10.1093/biostatistics/kxq028
    45. Ennis, D. B., and Kindlmann, G. (2006). Orthogonal tensor invariants and the analysis of diffusion tensor magnetic resonance images. Magn. Reson. Med. 55, 136–146. doi: 10.1002/mrm.20741
    46. Fischl, B. (2012). Freesurfer. Neuroimage 62, 774–781. doi: 10.1016/j.neuroimage.2012.01.021