一， 研究背景linux
腦組織形態學研究是臨牀判斷腦組織的正常老化與病理過程的重要方法，近２０年來，隨着醫學影像學的高速發展，臨牀醫師對人體病變部位的觀察更直接、更便捷、更清晰，疾病的確診率也更高，使得腦組織形態學方法成爲腦科疾病中重要的診斷方法。好比，經過人體小腦體積的變化來診斷癲癇、人體海馬體體積的變化來診斷帕金森（PD）或者阿爾茲海默（AD）等。本文主要以海馬體體積測量爲例對如今的腦部體積測量方法進行說明。算法
二， 研究現狀工具
目前腦結構的體積測量分爲兩大類，一類是基於解剖結構的體積測定法，分爲手動、半自動和自動，另外一類是基於體素的分析方法（ｖｏｘｅｌ－ｂａｓｅｄ ａｎａｌｙｓｉｓ，ＶＢＡ）；前者主要經過手動描繪組織結構測量體積，後者多由計算機完成。學習
1，手工測量海馬體積優化
手工測量海馬體積首先要依靠人工方法對海馬結構進行追蹤和分界，即由具備豐富解剖知識和經驗的神經解剖學專家、神經科醫生或通過專門訓練的操做者，在MR圖像工做站上用鼠標直接勾畫出海馬結構的邊界。人工分割海馬結構每每在垂直於海馬長軸的傾斜冠狀位圖像上逐層勾畫海馬結構的邊界，同時利用三維體積分析軟件在矢狀面、水平面上分辨海馬結構與周圍解剖結構間的關係，提升分割的準確性。在此過程當中操做者的經驗和知識起着很是重要的做用。ui
手工測量海馬體積則主要是在上述基礎上使用二維測量方法，即單層面積與層厚相乘得出單層體積，逐層體積相加得出單側海馬的整體積。公式表達爲：spa
通常海馬結構的人工勾畫和測量在工做站選配的軟件或專業軟件上進行，不只可在冠狀面、矢狀面、水平面三個層面上同時顯示圖像，並且能夠自動獲得所勾畫出的海馬感興趣區（ROI）的面積。因爲以往統計學分析代表，海馬體積與顱腔體積呈直線相關的關係，因此一般測得的原始海馬體積還需進行標準化校訂，以去除個體煩腔體積對海馬體積的影響。具體校訂方法有相除法、協方差法以及Cendes法等。操作系統
因爲長期以來人工分割海馬結構的精度在衆多方法中是最高的，所以人工測量海馬體積被廣泛認爲是金標準，也將其做爲評價其它分割方法優良與否的參考。可是，手工劃界和描畫、測量是一個很是耗時費力的工做，並且很是依賴於評估者本人的經驗及解剖學知識，不一樣研究之間的一致性和可重複性每每不佳。對於大型研究或多中心研究而言，有限的時間、經費以及人力資源也使得手工描繪測量海馬體積難以完成。近年來隨着計算神經科學的發展，研究者們不斷開發新的軟件包，以達到機器自動分割並測量海馬體積的目的。而自動測量的方法不只很高的重複性和評定者間一致性，並且效率顯著更高，在海馬體積的測量方面具備很大的發展潛力。ip
2. 自動測量海馬體積內存
近年來逐漸發展的海馬體積自動測量法大體能夠分爲半自動和全自動兩種，都可以獲得海馬的絕對體積。在半自動方法中，仍須要由一名熟悉海馬結構的解剖學及影像學表現的人來提供先驗性的知識，如定義標誌點，種子點，或是邊界框等以進行海馬形態的初始化，同時選擇參數，隨後由機器自動進行單側海馬結構的整個圖像分割與體積測量。而全自動的方法是基於統計學的形態模型，再向一個或多個腦圖譜所定義的腦區進行仿射或者非線性配準。經過腦圖譜與個體圖像的匹配，能夠把圖譜中存儲的信息直接映射到待分割的圖像中，實現一種全自動的「專家」（圖譜）指導下的圖像匹配、分割。腦圖譜的配準也能夠和其它一些方法相結合，如基於密度/強度的體素分類法，或者基於學習的優化選擇法等，可進一步提升配準的精度。在自動分割完成之後，再對個體全腦圖像中的每個體素進行神經解剖學方面的標記，從而計算腦區的體積。基於圖譜的海馬全自動匹配測量不須要專家的干預，由計算機控制，人爲干擾因素少，使用起來很是方便，也便於不一樣研究間的比較。自動測量的方法因爲能夠獲得海馬體積的絕對值，近年來獲得了快速的發展。如知識導向的磁共振分析程序結合了像素亮度強度與解剖結構的空間關係來進行海馬體積的測量；Ashton等提出的方法運用灰度值與邊緣檢測的算法來判斷海馬體積；Webb等在1999年提出將個體磁共振圖像向一個由三十我的組成的手工體積圖譜進行仿射和形變，再測海馬體積；Haller及其同事則運用一種高維液態轉化法來將個體磁共振圖像對海馬及其周邊解剖結構的模板進行形變；還有shen等結合對海馬邊界的幾何學性質，正常形態變異的統計學特徵，以及人工定義邊界點等多種考慮，推出了名爲HAMMER的彈性配准算法，來進行海馬結構的測量等等。上述方法均被證實在海馬體積測量方面有效，甚至有研究代表比手工測繪法的變異還要小。可是這些方法主要針對計算機與影像處理方法領域的專業人士，處理的步驟比較複雜，須要本身編寫命令和程序腳本，於是沒有獲得普遍的臨牀應用與推廣。此外，還有不少自動分析的方法並未公開提供使用，如Chupin等2007年發展的全自動的海馬分割法SACHA，專門用於海馬和杏仁核的分割，並在正常人以及阿爾茨海默病患者的數據中與手工分割法進行了比較，顯示了良好的效度。這一算法主要基於BrainVisa平臺使用，但目前並未公開推廣。這些自動測量的方法的出現，標誌着結構神經影像學的新時代的來臨。
爲了進一步方便使用，目前已有研究者整合了分割、配準、標記及測量等多種功能，開發出了多種具備圖形界面的，可自動測量腦結構體積的全自動分析軟件包，如FIRST，FreeSurfer與IBASPM等。FSL/FIRST與FreeSurfer軟件包均爲整合的配準與分割工具包，能夠提供經過基於腦圖譜的徹底自動的腦皮質以及皮質下結構的分割，並最終計算並輸出所分割的腦結構的絕對體積。不過，FIRST與FreeSurfer軟件包須要在linux操做系統下使用，並且操做時要求熟練應用各類命令，對於使用者的計算機水平要求較高。IBASPM是另外一種經常使用的全自動的腦體積測量工具，它基於軟件工具包來進行操做，其腦區的劃分是基於應普遍的AAL腦圖譜，計算腦區體積一樣是對個體MRI全腦圖像中的體素進行神經解剖學標記再進行計算。這一軟件能夠在window系統中進行操做，儘管在其處理過程當中要完成上百種算法，如線性或非線性的空間校訂，基於外觀的配準，密度不均勻性校訂，分割，以及去顱骨等，但其用戶界面友好，處理步驟也相對較爲簡便易行。
儘管現有多種複雜的半自動或全自動算法能夠分割並測量海馬體積，但目前已發表的比較全自動測量方法與手工方法的仍不多，中文文獻更是未見有相關報道，這使得在臨牀應用這些工具進行腦解剖學定量分析時，缺少可靠的文獻指導。最近幾年，國外開始有研究針對不一樣疾病人羣的海馬體積測量，對於上述自動分割和體積測量軟件所測結果與手動測量的結果，以及各類自動分析軟件包之間的測量結果進行了比較發現儘管所得結果與手工分割方法所得結果顯示出了良好的一致性，但不一樣方法各有優劣，所得結果之間仍存在必定的差別，且在測量不一樣疾病人羣時結論不一，各研究自己所用的技術指標也不一致。研究者由此提出，這些自動軟件的腦圖譜的組成來源，尤爲是由健康人仍是病人組成，會對於這些軟件包用於疾病羣體或腦形態學方面存在差別的羣體的測量結果產生明顯的影響此外，軟件包處理流程的差別，以及掃描圖像質量，掃描參數，以及掃描的硬件不一樣都有可能使比較研究獲得不一樣的結論。所以，在將這些軟件包應用於那些與原來效度研究所用的掃描參數或人口學特徵相差較大的人羣時，從新進行效度的校驗與比較研究十分有必要。
3. 基於體素的海馬形態學（VBM）研究
隨着計算機科學的迅速發展和計算神經解剖學在神經科學領域的普遍應用，研究者們也在不斷開發新方法來對各類神經精神疾病的患者進行橫斷面及縱向的腦結構研究。在這些方法當中，Ashburner和Friston等開發的基於體素的腦形態測量學方法（VBM）應用最爲普遍。VBM本質上是一種全自動處理的方法，它基於高分辨率的空間標準化圖像，經過逐個
體素的比較，來檢測組間個體腦灰質或白質局部密度或體積的差別。因爲VBM是在對於大腦形態的宏觀判別進行檢測和校訂之後，再判別灰質、白質、腦脊液等不一樣腦組織類型的局域性差別，其檢測敏感度較其它形態測量學方法更高，應用也更廣。
VBM與前述基於感興趣區法的手工或自動測量腦區體積的方法有必定的區別：它無需先驗假設，即分析不是基於某一特定結構，而是對全腦範圍內的解剖差別進行組間的相對公平和全面的比較。這一點對於神經精神疾病的臨牀研究特別重要，由於ROI法須要對疾病有預先的結構病變區域假設，而後只對特定區域進行測量和研究，而大腦的其它部位的變異就至關於被忽略了，於是在進行臨牀研究時容易得出假陽性結果和漏掉真正的病變區域。而VBM法對全腦範圍內的形態學變異均較敏感，在用於異質性較高的疾病羣體時可首先了解全腦主要的腦形態學改變，再與各類腦圖譜庫結合，利用其定義的腦區爲模板進行ROI的分析。除此以外，VBM軟件被整合入功能影像學最經常使用的SPM分析軟件的工具包中提供無償使用，仍是一種對於大多數研究單位而言都可以實現操做的軟件。
最初VBM法的數據預處理步驟包括標準化、分割、調製、平滑和統計分析。首先將個體的腦結構MRI圖像標準化到同一個三維立體空間，校訂腦區的整體形態差別，而後依據先驗的灰質、白質和腦脊液分佈機率的模板來分割腦實質並生成三種組織類型的圖像，再對分割產生的圖像進行空間平滑處理，減小噪聲和偏差，並提升統計分析的效力。效度研究代表，VBM法和ROI法都可檢測出相應腦區的結構異常，這兩種方法的研究結果在必定程度上能夠相互映證。此外，根據標準化過程產生的雅可比行列式參數能夠對分割圖像的體素進行調製，調製前腦區的體素數值表明該體素所表示區域的密度差別，調整後則表明該體素所表示區域的的絕對體積。值得注意的是，VBM法是經過創建通常線性模型在體素水平進行統計分析，檢測出每一個體素所表明的局部區域的體積差別，並不能獲得局部區域的絕對體積，其結果解釋與ROI法檢測的整個腦區體積的差別應有所不一樣。
VBM是一款不斷推陳出新的軟件，後來又發展出了優化的VBM，以及統一分割法等新技術。前者的主要特色爲能夠定製基於研究樣本的模板，以及分別分割並標準化灰質和白質；後者主要是經過應用相同的模型進行組織分割、誤差校訂和圖像配準，解決優化的VBM法中組織分類和數據配準之間的循環問題。但上述全部技術均有一個主要的侷限：在將圖像向一個通用的模板進行配準時，配準的偏差會致使一些錯誤的估計，而在空間標準化的步驟中對位不許會致使VBM對於系統的形態學差別比較敏感。
最近，Ashburner等推出了一種新的VBM分析技術——DARTEL工具, 有望顯著改善這一問題，實現更爲精細和複雜的配準。算法能夠經過反覆迭代生成全部被試者灰質和白質的精準模板，而每一個被試的圖像屢次配準到模板後造成的形變流場保留了這組被試的灰白質信息，用此形變參數再進行標準化和調製處理，能更好的保留原始的組織體積，更精確地標準化到統一的MNI座標系統。DARTEL被認爲是配準技術方面的一大進步，能夠提供更爲精準的腦結構損傷的定位，或在功能像激活的定位時提供更爲精準的結構像模板。不過，因爲數據處理量很是大，VBM8-DARTEL比較耗時(尤爲是在生成被試特異性的模板時），對於數據處理機器的內存要求也較高。
目前，VBM法已被普遍地應用於各類神經精神疾病患者的腦形態學研究中。也有一些研究發現以VBM方法結合海馬感興趣區檢測所得的結果與專用於海馬體積測量的自動測量軟件所得結果是相近的,如，Bell-McGinty與Vasic分別運用VBM法進行了急性抑鬱期患者的海馬形態學研究，並報導了患者組和正常組之間的海馬密度/體積差別。Bergouignan等對抑鬱患者的研究則發現，運用VBM8-DARTE方法和多重比較的校訂，在不一樣的腦區都有顯著的體積差別，結合ROI分析也發現了海馬的體積降低，其結果與手工及自動分割測量的結果是一致的。Pereira等對阿爾茨採默氏病患者的研究則也發現，通過預處理（去顱骨以及誤差校訂）的DARTEL法，能夠獲得與手工測量同樣十分出色的分析結果。還有Mak等的研究發現，結合海馬-感興趣區與VBM的方法，能夠很好地分辨AD患者與正常老年人的海馬體積差別，與手工海馬體積測量同樣具備很高的效力，他建議能夠將這種方法看成AD的生物學標誌的肯定方法，這Hirata及Teipei等學者的建議也是一致的。
可是，上述運用VBM方法所作的海馬體積研究，其所使用的軟件版本以及分割等預處理的策略，是否使用調製，平滑核大小如何，是否校訂了個體的全腦體積，以及統計校訂的類型及所使用的統計學閾值等等，均存在許多不一致。已有研究代表，在VBM分析中上述因素有可能會使分析的結果產生改變，甚至發生相似於生物學差別的改變，所以，在對於病理人羣進行腦結構形態學研究時，比較不一樣的VBM程序、參數和分析方法，並以經典的測量方法進行參照進行效度檢驗，可使咱們對上述因素有更好的認識，進一步促進將來對於神經精神類疾病的臨牀診斷與治療。
參考文獻：
1， 崔彩霞、周存河等 採用3．0T MRI對正常人腦體積定量測量研究
2， 崔曉瑞、董春波等 ＭＲＩ腦體積測量技術早期診斷多系統萎縮的研究進展
3， 張琨、陳楠等 基於高分辨力MRI的正常中國成人小腦體積測量
4， 王曉晟 人腦海馬體積測量及其在精神疾病中的應用
腦部各區域體積測量方法研究
一， 研究背景
腦組織形態學研究是臨牀判斷腦組織的正常老化與病理過程的重要方法，近２０年來，隨着醫學影像學的高速發展，臨牀醫師對人體病變部位的觀察更直接、更便捷、更清晰，疾病的確診率也更高，使得腦組織形態學方法成爲腦科疾病中重要的診斷方法。好比，經過人體小腦體積的變化來診斷癲癇、人體海馬體體積的變化來診斷帕金森（PD）或者阿爾茲海默（AD）等。本文主要以海馬體體積測量爲例對如今的腦部體積測量方法進行說明。
二， 研究現狀
目前腦結構的體積測量分爲兩大類，一類是基於解剖結構的體積測定法，分爲手動、半自動和自動，另外一類是基於體素的分析方法（ｖｏｘｅｌ－ｂａｓｅｄ ａｎａｌｙｓｉｓ，ＶＢＡ）；前者主要經過手動描繪組織結構測量體積，後者多由計算機完成。
1，手工測量海馬體積
手工測量海馬體積首先要依靠人工方法對海馬結構進行追蹤和分界，即由具備豐富解剖知識和經驗的神經解剖學專家、神經科醫生或通過專門訓練的操做者，在MR圖像工做站上用鼠標直接勾畫出海馬結構的邊界。人工分割海馬結構每每在垂直於海馬長軸的傾斜冠狀位圖像上逐層勾畫海馬結構的邊界，同時利用三維體積分析軟件在矢狀面、水平面上分辨海馬結構與周圍解剖結構間的關係，提升分割的準確性。在此過程當中操做者的經驗和知識起着很是重要的做用。
手工測量海馬體積則主要是在上述基礎上使用二維測量方法，即單層面積與層厚相乘得出單層體積，逐層體積相加得出單側海馬的整體積。公式表達爲：
通常海馬結構的人工勾畫和測量在工做站選配的軟件或專業軟件上進行，不只可在冠狀面、矢狀面、水平面三個層面上同時顯示圖像，並且能夠自動獲得所勾畫出的海馬感興趣區（ROI）的面積。因爲以往統計學分析代表，海馬體積與顱腔體積呈直線相關的關係，因此一般測得的原始海馬體積還需進行標準化校訂，以去除個體煩腔體積對海馬體積的影響。具體校訂方法有相除法、協方差法以及Cendes法等。
因爲長期以來人工分割海馬結構的精度在衆多方法中是最高的，所以人工測量海馬體積被廣泛認爲是金標準，也將其做爲評價其它分割方法優良與否的參考。可是，手工劃界和描畫、測量是一個很是耗時費力的工做，並且很是依賴於評估者本人的經驗及解剖學知識，不一樣研究之間的一致性和可重複性每每不佳。對於大型研究或多中心研究而言，有限的時間、經費以及人力資源也使得手工描繪測量海馬體積難以完成。近年來隨着計算神經科學的發展，研究者們不斷開發新的軟件包，以達到機器自動分割並測量海馬體積的目的。而自動測量的方法不只很高的重複性和評定者間一致性，並且效率顯著更高，在海馬體積的測量方面具備很大的發展潛力。
2. 自動測量海馬體積
近年來逐漸發展的海馬體積自動測量法大體能夠分爲半自動和全自動兩種，都可以獲得海馬的絕對體積。在半自動方法中，仍須要由一名熟悉海馬結構的解剖學及影像學表現的人來提供先驗性的知識，如定義標誌點，種子點，或是邊界框等以進行海馬形態的初始化，同時選擇參數，隨後由機器自動進行單側海馬結構的整個圖像分割與體積測量。而全自動的方法是基於統計學的形態模型，再向一個或多個腦圖譜所定義的腦區進行仿射或者非線性配準。經過腦圖譜與個體圖像的匹配，能夠把圖譜中存儲的信息直接映射到待分割的圖像中，實現一種全自動的「專家」（圖譜）指導下的圖像匹配、分割。腦圖譜的配準也能夠和其它一些方法相結合，如基於密度/強度的體素分類法，或者基於學習的優化選擇法等，可進一步提升配準的精度。在自動分割完成之後，再對個體全腦圖像中的每個體素進行神經解剖學方面的標記，從而計算腦區的體積。基於圖譜的海馬全自動匹配測量不須要專家的干預，由計算機控制，人爲干擾因素少，使用起來很是方便，也便於不一樣研究間的比較。自動測量的方法因爲能夠獲得海馬體積的絕對值，近年來獲得了快速的發展。如知識導向的磁共振分析程序結合了像素亮度強度與解剖結構的空間關係來進行海馬體積的測量；Ashton等提出的方法運用灰度值與邊緣檢測的算法來判斷海馬體積；Webb等在1999年提出將個體磁共振圖像向一個由三十我的組成的手工體積圖譜進行仿射和形變，再測海馬體積；Haller及其同事則運用一種高維液態轉化法來將個體磁共振圖像對海馬及其周邊解剖結構的模板進行形變；還有shen等結合對海馬邊界的幾何學性質，正常形態變異的統計學特徵，以及人工定義邊界點等多種考慮，推出了名爲HAMMER的彈性配准算法，來進行海馬結構的測量等等。上述方法均被證實在海馬體積測量方面有效，甚至有研究代表比手工測繪法的變異還要小。可是這些方法主要針對計算機與影像處理方法領域的專業人士，處理的步驟比較複雜，須要本身編寫命令和程序腳本，於是沒有獲得普遍的臨牀應用與推廣。此外，還有不少自動分析的方法並未公開提供使用，如Chupin等2007年發展的全自動的海馬分割法SACHA，專門用於海馬和杏仁核的分割，並在正常人以及阿爾茨海默病患者的數據中與手工分割法進行了比較，顯示了良好的效度。這一算法主要基於BrainVisa平臺使用，但目前並未公開推廣。這些自動測量的方法的出現，標誌着結構神經影像學的新時代的來臨。
爲了進一步方便使用，目前已有研究者整合了分割、配準、標記及測量等多種功能，開發出了多種具備圖形界面的，可自動測量腦結構體積的全自動分析軟件包，如FIRST，FreeSurfer與IBASPM等。FSL/FIRST與FreeSurfer軟件包均爲整合的配準與分割工具包，能夠提供經過基於腦圖譜的徹底自動的腦皮質以及皮質下結構的分割，並最終計算並輸出所分割的腦結構的絕對體積。不過，FIRST與FreeSurfer軟件包須要在linux操做系統下使用，並且操做時要求熟練應用各類命令，對於使用者的計算機水平要求較高。IBASPM是另外一種經常使用的全自動的腦體積測量工具，它基於軟件工具包來進行操做，其腦區的劃分是基於應普遍的AAL腦圖譜，計算腦區體積一樣是對個體MRI全腦圖像中的體素進行神經解剖學標記再進行計算。這一軟件能夠在window系統中進行操做，儘管在其處理過程當中要完成上百種算法，如線性或非線性的空間校訂，基於外觀的配準，密度不均勻性校訂，分割，以及去顱骨等，但其用戶界面友好，處理步驟也相對較爲簡便易行。
儘管現有多種複雜的半自動或全自動算法能夠分割並測量海馬體積，但目前已發表的比較全自動測量方法與手工方法的仍不多，中文文獻更是未見有相關報道，這使得在臨牀應用這些工具進行腦解剖學定量分析時，缺少可靠的文獻指導。最近幾年，國外開始有研究針對不一樣疾病人羣的海馬體積測量，對於上述自動分割和體積測量軟件所測結果與手動測量的結果，以及各類自動分析軟件包之間的測量結果進行了比較發現儘管所得結果與手工分割方法所得結果顯示出了良好的一致性，但不一樣方法各有優劣，所得結果之間仍存在必定的差別，且在測量不一樣疾病人羣時結論不一，各研究自己所用的技術指標也不一致。研究者由此提出，這些自動軟件的腦圖譜的組成來源，尤爲是由健康人仍是病人組成，會對於這些軟件包用於疾病羣體或腦形態學方面存在差別的羣體的測量結果產生明顯的影響此外，軟件包處理流程的差別，以及掃描圖像質量，掃描參數，以及掃描的硬件不一樣都有可能使比較研究獲得不一樣的結論。所以，在將這些軟件包應用於那些與原來效度研究所用的掃描參數或人口學特徵相差較大的人羣時，從新進行效度的校驗與比較研究十分有必要。
3. 基於體素的海馬形態學（VBM）研究
隨着計算機科學的迅速發展和計算神經解剖學在神經科學領域的普遍應用，研究者們也在不斷開發新方法來對各類神經精神疾病的患者進行橫斷面及縱向的腦結構研究。在這些方法當中，Ashburner和Friston等開發的基於體素的腦形態測量學方法（VBM）應用最爲普遍。VBM本質上是一種全自動處理的方法，它基於高分辨率的空間標準化圖像，經過逐個
體素的比較，來檢測組間個體腦灰質或白質局部密度或體積的差別。因爲VBM是在對於大腦形態的宏觀判別進行檢測和校訂之後，再判別灰質、白質、腦脊液等不一樣腦組織類型的局域性差別，其檢測敏感度較其它形態測量學方法更高，應用也更廣。
VBM與前述基於感興趣區法的手工或自動測量腦區體積的方法有必定的區別：它無需先驗假設，即分析不是基於某一特定結構，而是對全腦範圍內的解剖差別進行組間的相對公平和全面的比較。這一點對於神經精神疾病的臨牀研究特別重要，由於ROI法須要對疾病有預先的結構病變區域假設，而後只對特定區域進行測量和研究，而大腦的其它部位的變異就至關於被忽略了，於是在進行臨牀研究時容易得出假陽性結果和漏掉真正的病變區域。而VBM法對全腦範圍內的形態學變異均較敏感，在用於異質性較高的疾病羣體時可首先了解全腦主要的腦形態學改變，再與各類腦圖譜庫結合，利用其定義的腦區爲模板進行ROI的分析。除此以外，VBM軟件被整合入功能影像學最經常使用的SPM分析軟件的工具包中提供無償使用，仍是一種對於大多數研究單位而言都可以實現操做的軟件。
最初VBM法的數據預處理步驟包括標準化、分割、調製、平滑和統計分析。首先將個體的腦結構MRI圖像標準化到同一個三維立體空間，校訂腦區的整體形態差別，而後依據先驗的灰質、白質和腦脊液分佈機率的模板來分割腦實質並生成三種組織類型的圖像，再對分割產生的圖像進行空間平滑處理，減小噪聲和偏差，並提升統計分析的效力。效度研究代表，VBM法和ROI法都可檢測出相應腦區的結構異常，這兩種方法的研究結果在必定程度上能夠相互映證。此外，根據標準化過程產生的雅可比行列式參數能夠對分割圖像的體素進行調製，調製前腦區的體素數值表明該體素所表示區域的密度差別，調整後則表明該體素所表示區域的的絕對體積。值得注意的是，VBM法是經過創建通常線性模型在體素水平進行統計分析，檢測出每一個體素所表明的局部區域的體積差別，並不能獲得局部區域的絕對體積，其結果解釋與ROI法檢測的整個腦區體積的差別應有所不一樣。
VBM是一款不斷推陳出新的軟件，後來又發展出了優化的VBM，以及統一分割法等新技術。前者的主要特色爲能夠定製基於研究樣本的模板，以及分別分割並標準化灰質和白質；後者主要是經過應用相同的模型進行組織分割、誤差校訂和圖像配準，解決優化的VBM法中組織分類和數據配準之間的循環問題。但上述全部技術均有一個主要的侷限：在將圖像向一個通用的模板進行配準時，配準的偏差會致使一些錯誤的估計，而在空間標準化的步驟中對位不許會致使VBM對於系統的形態學差別比較敏感。
最近，Ashburner等推出了一種新的VBM分析技術——DARTEL工具, 有望顯著改善這一問題，實現更爲精細和複雜的配準。算法能夠經過反覆迭代生成全部被試者灰質和白質的精準模板，而每一個被試的圖像屢次配準到模板後造成的形變流場保留了這組被試的灰白質信息，用此形變參數再進行標準化和調製處理，能更好的保留原始的組織體積，更精確地標準化到統一的MNI座標系統。DARTEL被認爲是配準技術方面的一大進步，能夠提供更爲精準的腦結構損傷的定位，或在功能像激活的定位時提供更爲精準的結構像模板。不過，因爲數據處理量很是大，VBM8-DARTEL比較耗時(尤爲是在生成被試特異性的模板時），對於數據處理機器的內存要求也較高。
目前，VBM法已被普遍地應用於各類神經精神疾病患者的腦形態學研究中。也有一些研究發現以VBM方法結合海馬感興趣區檢測所得的結果與專用於海馬體積測量的自動測量軟件所得結果是相近的,如，Bell-McGinty與Vasic分別運用VBM法進行了急性抑鬱期患者的海馬形態學研究，並報導了患者組和正常組之間的海馬密度/體積差別。Bergouignan等對抑鬱患者的研究則發現，運用VBM8-DARTE方法和多重比較的校訂，在不一樣的腦區都有顯著的體積差別，結合ROI分析也發現了海馬的體積降低，其結果與手工及自動分割測量的結果是一致的。Pereira等對阿爾茨採默氏病患者的研究則也發現，通過預處理（去顱骨以及誤差校訂）的DARTEL法，能夠獲得與手工測量同樣十分出色的分析結果。還有Mak等的研究發現，結合海馬-感興趣區與VBM的方法，能夠很好地分辨AD患者與正常老年人的海馬體積差別，與手工海馬體積測量同樣具備很高的效力，他建議能夠將這種方法看成AD的生物學標誌的肯定方法，這Hirata及Teipei等學者的建議也是一致的。
可是，上述運用VBM方法所作的海馬體積研究，其所使用的軟件版本以及分割等預處理的策略，是否使用調製，平滑核大小如何，是否校訂了個體的全腦體積，以及統計校訂的類型及所使用的統計學閾值等等，均存在許多不一致。已有研究代表，在VBM分析中上述因素有可能會使分析的結果產生改變，甚至發生相似於生物學差別的改變，所以，在對於病理人羣進行腦結構形態學研究時，比較不一樣的VBM程序、參數和分析方法，並以經典的測量方法進行參照進行效度檢驗，可使咱們對上述因素有更好的認識，進一步促進將來對於神經精神類疾病的臨牀診斷與治療。
參考文獻：
1， 崔彩霞、周存河等 採用3．0T MRI對正常人腦體積定量測量研究
2， 崔曉瑞、董春波等 ＭＲＩ腦體積測量技術早期診斷多系統萎縮的研究進展
3， 張琨、陳楠等 基於高分辨力MRI的正常中國成人小腦體積測量
4， 王曉晟 人腦海馬體積測量及其在精神疾病中的應用