vbm 分析_MRI脑影像分析从哲学到技术：一文搞懂VBM预处理基本原理（全网最详细解析）...-优快云博客

本文链接：https://blog.youkuaiyun.com/weixin_39742392/article/details/113547868

VBM（体素基于形态学）是常用的MRI脑影像分析方法，通过自动化组织分割提高稳定性与可重复性。预处理包括空间归一化、偏置场校正、分割、调制和平滑等步骤。空间归一化确保不同被试的大脑在同一坐标系下可比较，偏置场校正修正图像中亮度差异，组织分割基于高斯混合模型和贝叶斯分类，调制则恢复形变造成的体积信息，平滑则有助于统计分析。该文详细介绍了每个步骤的哲学和技术层面的原理。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

基于体素的形态学方法(voxel-based morphometry, VBM)，是分析大脑解剖学(结构)差异最常用方法之一。其通过给大脑volume逐体素打标签(分类)的方式来进行组织分割(segmentation)，过程高度自动化，比传统的基于ROI先验假设的分析方式(manual ROI tracing)得到的结果，更加具有稳定性和可重复性。

VBM分析基于(高分辨率)MRI脑部扫描图像(一般用T1加权图像)，涉及的预处理步骤主要包括：空间归一化(spatial normalisation——分割和比较的前提)，偏置场校正(bias field correction——降低相同组织的亮度值差异，有利于组织分割)，分割( segmentation)，调制(modulation——把空间归一化过程中产生的变形场( deformation field)作用到分割结果上，使得其亮度值代表体素浓度(voxel concentration)的过程)平滑(smoothing ——去噪，弥补分割缺陷，便于统计分析)，流程如上图，图源

以下内容，主要源于笔者对NBAlab卢家峰老师的教学视频和PPT的理解性整理和大量的阅读拓展，初学小白一枚，如有错误之处，还望不吝指出。

原创不易，转载请注明出处。

空间归一化(spatial normalisation)

为什么要空间归一化——哲学

1、VBM组织分割时，需要使用不同组织的组织概率图(Tissue probability maps，TPM)来作为分割的先验，具体细节见后文。而这些TPMs都是被归一化(配准)到了标准模板上了的，所以使用VBM来进行组织分割前提就是，将被试的脑袋归一化到标准模板上。另外，单样本统计分析常常是和一个标准进行比较，而这些标准也是配准到了标准模板的。

2、不同的人，脑袋大小形状都不一样，不同次的扫描，脑袋的摆放位置也不一样，如图1所示，图源对应位置值相减，再通过假设检验来得到的。

也就是说，如果所有被试的图像相同空间坐标对应的解剖位置不基本一致，即没有一致性，那相减得到的差异是没有意义的，无法进行进一步统计分析。所以需要让所有被试的脑袋在不失皮质特征差异的前提下，都对齐到标准模板上，以校正大脑整体形状和解剖位置的差异。让不同的被试，不同的扫描之间具有可比性或者一致性。

图1.大脑形状位置差异

归一化到哪——标准模板(template)——技术

MNI是最常用的标准模板之一，在NeuroImaging and Surgical Technologies Lab的网站上，我们可以下载最新的一些模板来看看，有人脑也有猴子脑的。

ICBM 152是MNI的标准版，笔者下载了其第六代非线性对称平均脑立体定向配准模型的Nifti格式文件前联合AC和后连合PC点。CAT，FSL，SPM都有用MNI空间作为标准模板。