基于下面这份ppt:Comparing SPM and FSL, bylChris Rorden
fsl & spm都是免费的,都很受欢迎。spm更受欢迎。
两者的区别在于何时利用normalise 归一化操作。
spm的头动,包含非刚体变换unwarp操作。 fsl的会将头动参数传递给feat的统计模型中。 spm的头动矫正,sophisticated(好,但是复杂),并且耗时。 这两种技术都可以去除噪声,但是在与头动相关的研究中,也会带来问题,reduce power。二者的头动矫正算法是不同的:spm是基于variance指标,fsl是基于normalised correlation 指标。
slice timing 越来越鸡肋了,所以在fsl中,索性就基本不用了。
平滑,二者基本是相似的:fsl & spm都应用了空间平滑,高斯平滑核。在时域平滑时,是可选的。根据后面的统计需要进行。
fsl较spm更鲁棒,spm在good dataset情况下,能取得较好的结果。所以,应用fsl会导致较多的残差。
归一化分两种:直接间接
fsl & spm 默认使用的配准(归一化)模板是不一样的,spm是基于一个T2 模板,而fsl是基于T1模板。
FSL 使用 FLIRT (FMRIB's Linear Image Registration Tool) 这一工具进行配准。
spm5及以上,使用了一种更牛逼的方法,就是进行对T1图像进行组织分割,把分割后的灰质、白质映射到模板空间中。
个体统计:spm & fsl 都使用了glm来进行分析spm & fsl 的hrf函数建模结果使不同的。