标签图谱构建：

皮质（Fischl等人，2004b）和皮质下（Fischl等人，2002）标记使用相同的基本算法。最终的分割基于与主题无关的概率图谱和特定于主题的测量值。该图谱是从训练集构建的，即一组大脑（表面或体积）被手工标记的受试者。然后将这些标签映射到公共空间（体积的MNI305空间和表面的球形空间），以实现所有主题的点对点对应。请注意，“点”是体积中的体素或表面上的顶点。在空间中的每个点，都存在分配给每个受试者的标签和每个受试者的测量值（或多个值）。然后在每个点计算三种类型的概率。首先，计算点属于每个标注分类的概率。第二种类型的概率是根据训练集中存在的标签的空间配置计算的，称为邻域函数。邻域函数是给定点属于给定其相邻点分类的标签的概率。邻域函数很重要，因为它有助于防止结构边缘处一个结构中的孤岛。第三，针对每个标签在每个点分别估计测量值的概率分布函数（PDF）。对于基于体积的标记，测量值是该体素处的强度。对于基于表面的标注，测量值是该顶点处每个主方向的曲率。PDF 被建模为正态分布，因此我们只需要估计空间中每个点的每个标签的均值和方差。如果有多个测量值（例如，多光谱数据），则PDF被建模为多元正态，我们需要估计每个标签的均值和方差-协方差矩阵。

标记数据集：

空间中每个点到给定数据集的给定标签的分类是通过找到分割来实现的，该分割在给定训练集的先验概率的情况下最大化输入概率。首先，将每个点的类的概率计算为给定类出现在训练集中该位置的概率乘以从该类获取特定于主题的测量值的可能性。后者是根据该标签的 PDF 计算的，根据训练集估计。计算每个类在每个点的概率。通过将每个点分配给概率最大的类来生成初始分割。给定此分割，邻域函数用于重新计算类概率。数据集根据这组新的类概率进行重新分割。重复此操作，直到分段不更改。这一过程允许利用每个数据集特有的信息，为该数据集定制图集。完成后，我们不仅为空间中的每个点都有一个标签，而且我们还有可能看到每个体素的测量值。该概率在空间中所有点上的乘积产生输入的概率。这将在以后的自动故障检测期间使用。该程序已被证明在统计学上与手动评分者没有区别（Fischl等人，2002年），并且对采集参数的变化相对不敏感（Fischl等人，2004a）。结果如图 4 所示。在4A中，体积标记显示几种皮质下结构（壳核，下层，心室等）。请注意，所有白质都被视为一个标签，每个皮质半球的所有皮质灰质也是如此。

图 4：A. 基于体积的标签。请注意，皮质灰质和白质由单个类表示。另请注意，每个半球的结构都有单独的标签。B. 基于表面的标签。