在磁共振图像的预处理和分析方面，我们进行了系统探索，取得了系列研究结果： 

（1）对于脑子结构自动分割提取问题，我们提出了一种数据驱动的基于局部标签学习（Local Label Learning）的方法来估计目标图像的分割结果（Hao et al., 2013）。 

（2）针对基于图论的图像配准方法，我们提出了一种基于动态图以及组相似性度量的图像集配准方法，该方法采用了基于稀疏表示的相似性度量方法和动态图策略，考虑了图像的全局信息，并利用自适应权重的稀疏表示策略来避免配准过程中图像的高相似性带来的动态图的不连通问题（Tang et al., 2013）。 

（3）利用功能磁共振图像所含有的不同分区的功能信息，提出了基于多空间范围功能连接模式的fMRI数据的Groupwise空间标准化。通过最大化不同被试的局部功能连接（对于每一个体素，只考虑每个体素及其空间相邻体素的功能连接）模式的相似性，完成不同被试fMRI数据的配准。该方不仅法提高了配准的性能，同时也提高了不同被试的功能一致性（Jiang et al., 2013）。 

在脑图谱构建和脑网络度量方面，我们也做了系列的研究： 

（1）针对全脑无先验知识的脑区划分，我们提出使用加权聚合的方法对功能图像构建多尺度的层级结构，建立相应的多尺度网络，并根据不同的研究问题和目的（比如网络类聚系数的稳定性）在多尺度结构中搜索合适的节点数目（Li and Fan, 2013）。 

（2）我们采用群组信息的独立成分分析方法，通过以群组的独立成分作为个体的独立成分分解的先验信息，我们提出了组信息指导的独立成分分析方法用于基于功能磁共振 数据的脑区细分，该分解方法具有更好的成分独立性和功能对应性（Du and Fan, 2013）。 

（3）扩散磁共振成像能在活体上跟踪大脑的白质纤维的分布，但是临床研究上针对目前已有的纤维重建模型，不同的b值对结构有不同的影响。我们通过对比分析b=650,1000, 1500, 2000, 2500s/mm2等5个不同的扩散磁场强度，综合考虑采集时间以及图像的信噪比后，发现b=2000 s/mm2以及以后，对纤维重建结果没有显著影响。

图1. 利用组信息指导的独立成分分析方法（GIG-ICA）得到的18个平均成分——Du and Fan, Neuroimage图2. 不同b值对纤维重建的影响——Xie et al., in revision