VBM是voxel-based morphometry的缩写，是对受试者之间灰质体素粒度的统计分析。 VBM可以得到群内volume和gyrification的差异，并对clinical score进行相关分析，VBM不仅用于结构数据(T1 )，还可以用于fmri和PET数据，分析结构变化的影响
VBM在研究中非常常见，除VBM外还有一些类似的方法，如基于表灰质厚度的分析方法(surface-based thickness analysis )、细目发夹的分解形态学分析。
VBM分析不需要任何先验知识，是一种全脑无偏分析方法，且能自动执行，运算速度非常快。
VBM说了这么多优点，VBM到底该怎么办？
VBM的罪孽和惩罚VBM为了进行不同被试验者之间的灰质的比较，首先需要使这些对象能够从各自存在的个体空间对位到标准空间进行比较。
但是，关于对准，这里好像有权衡。 如果非线性对齐不充分，则可能会导致不一致，图像间的比较变差，但如果非线性对齐太好，则会失去数据间的差异。
但是，如何避免上述矛盾的trade-off需求？ 如何找到合适的阈值，在数据具有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优化方案。
1 )首先，用bet命令去除颅骨，用fast命令进行成分分割，得到受试者的灰质图像(此时注意不做任何定位) ) ) ) ) )。
2 )从patients和controls两组中选择相同数量的被试作为样本集合，将各被试的灰质图像依次配准到标准模板中。 包括线性配准和非线性配准。
选定时必须从两组中选择完全相同的被试验者人数，特别注意不要取下明显的东西((与其他sub显著不同的被试验者) ) )。
线性配准包括线性和仿射变换，包括坐标旋转、平移、整体和局部缩放。 非线性定位是局部非线性变形，具体是将变形场应用于原始图像，对原始图像进行局部任意变换(基于B样条曲线拟合)。
3 )模块。 这一步是优化VBM的关键。 所谓modulation，是指利用非线性对齐时生成的变形场(warp )文件，补偿对齐后灰质组织的volume。 warp文件包含所有体素上体积的压缩/放大信息，将这些信息(主要是warp数据中的主当前jacobian矩阵)应用于定位后的灰质，在不更改灰质图像的标准空间坐标的情况下，将灰质体积应用于灰质
具体来说，warp在进行非线性定位时使体素间的空间位置变化，因此从某个特定切片来看，该切片上体素间距离的变化会带来面积的变化，在三维上会带来体积的变化。 例如，在以下的说明图像中，图中最初的黄色区域部分的面积是1/3，但是用warp进行非线性变换时，原本没有表情的脸就会变成笑容，同时黄色区域部分的面积变成1.3。 但是，我们知道这部分的最初面积只是1/3。 从左灰质来看该区域的数据，该部分的实际灰质只有1/3。 通过将该信息应用于配准后的数据，可以恢复原始的体积状况。 在右侧的图像中，表现为“密度”的变化。
4 )空间平滑图像可以提高信噪比。 当然，平滑核宽度的选择非常重要，一般5-10mm是较好的选择。 平滑核的宽度越大，局部信息就越丢失，结果几个比较小的统计显著区域就会消失。
经过上述处理，原个体空间的图像被定位到标准空间，具备统计分析所需的比较性，但原数据中包含的生物信息的一部分也丢失了。 要面对各种具体问题，请参阅ridgw ay 2008年在neuroimage上发表的关于VBM的文章。
关于如何使用FSL进行VBM的纵向变化研究(longitudinal )，请参考douaud于2009年在Brain上发表的文章。
纵向研究方法和软件的比较可以看到Thomas 2009年在NeuroImage上发表的文章。
在规范模板步骤FSL中创建VBM的流程可以总体概括为：
数据准备： patient组和control组的数据显示、选择。
step1:去颅骨，下注命令
step2)大脑成分分割，segmentation指令
step3)对准MNI模板灰质，保留flirt fnirt、warp和Jacobian文件。
step4:将modulation、Jacobian文件应用于定位后的subject图像，保存原始图像上的灰质体积信息
step5)空间光滑，选择合适的负责支架使核心宽度光滑，提高数据信噪比。
步骤6 :平均生成study-specific模板。
step7)将所有个体灰质图像重新定位到study-specific模板中
Step8)非参数统计，比较patient组与control组的差异。
对于上述处理流程，FSL提供了封装的处理命令： fslvbm_1_bet、fslvbm_2_template、fslvbm_3_proc和randomise。 现在，我们看到：
fslvbm_1_bet实现上述步骤1至2
fslvbm_2_template实现了步骤3~6
fslvbm_3_proc为步骤7
randomise是步骤8
但是，这个过程不是固定的、不可修改的。 在具体的处理过程中，根据要处理的数据情况，可以自己编写脚本实现step1~7中的任意一个步骤，也可以配合fslvbm_*_*中的任意一个脚本，最后通过randomise实现统计分析