VBM是voxel-based morphometry的缩写, 是对被试之间灰质体素粒度统计分析。VBM可以得到人群中volume和gyrification的不同,对clinical score进行相关性分析,VBM不仅仅可以用于结构数据(T1),还可以用在fmri和PET数据上,分析由于结构变化带来的影响。
VBM在研究中非常常见,除了VBM以外,还有一些类似的方法,例如基于表面的灰质厚度分析方法(surface-based thickness analysis), 张量分解形态学分析.
VBM分析中,不需要任何的先验知识,是一种全脑的无偏分析方法,并且可以自动运行,运算速度非常快。
说了VBM这么多优点,那么到底VBM怎么做?
VBM的罪与罚
VBM要做的是不同被试之间的灰质比较,那么首先就需要将这些被试图像从各自所在的个体空间配准到标准空间,使其可以比较。
但是要提到配准,这里似乎有个权衡(trade-off),如果非线性配准不够,可能会没有一致性,导致图像之间不好比较,但是如果非线性配准得太好,这么有丧失了数据间的差异。
但是,如何避免上述这个似乎矛盾的trade-off需求? 如何找到合适的临界值,使得数据在具备可比性的前提下,尽量保留差异呢?
优化方案
Good在2001年的文章中提出了如下的优化方案:
1) 首先,用bet命令去颅骨,fast命令进行成分分割,得到被试的灰质图像(注意&#x