跑完CAT12的SBM预处理之后，大多数人会在surf文件夹面前愣住：看着几百个lh和rh开头的文件，下一步到底在哪做双样本T检验？是在CAT12的统计界面里直接选数据，还是把数据导到FreeSurfer？vertex水平和ROI水平到底有什么区别，只做一边够不够？这篇文章直接回答这些问题，把基于CAT12做SBM的ROI统计分析讲透——从vertex水平的全脑顶点检验，到ROI水平的区域检验，每一步的入口、参数、原理和坑都列出来。适合已经把SBM预处理跑通、正要进入统计阶段的朋友，也适合做VBM后想横向扩展方法的人。
1. 为什么SBM统计分析会卡在"两种水平"上
先说一个最基础的认知：SBM跑完之后，你手上的核心数据不是一张图，而是很多张"厚度图"。CAT12会把每个被试的左右半球皮层重建出来，并在每个网格顶点上计算出皮层厚度。一个半球的顶点数量通常在十几万量级，也就是说，每个被试在经过表面重建和配准后，都会得到一套高密度的顶点级数据。
问题就从这里来了。这些顶点数据本身是没法直接放进SPSS或者Excel做T检验的，因为它在空间上是十万维的。于是就有了两条统计路径：
vertex水平，说白了就是在每个顶点上分别做一次组间比较。比如组1和组2各有20个被试，那么在每个顶点上都跑一个双样本T检验，得到这个顶点的T值和p值。几十万个顶点就是几十万个检验，所以必须做多重比较校正。
ROI水平，是先按照一个解剖模板（比如Desikan-Killiany、Destrieux）把皮层划分成若干区域，然后把每个区域内所有顶点的厚度取平均，这样每个被试每个ROI就得到一个数。之后你要检验的就是这些区域均值在两组之间是否有差异，维度从十万降到几十到几百，统计上要轻松得多。
我习惯用一个类比来理解这两种水平：vertex水平就像是逐条街道对比两个城市的建筑高度，ROI水平则是按行政区划计算平均建筑高度。前者细致但费劲，后者粗糙但高效。两者不是二选一的关系，在实际发表的研究里经常是先用vertex水平做全脑探索，再用ROI水平对感兴趣区域做验证，或者反过来用ROI水平限定检验范围。
这里要说清楚一个关键逻辑：vertex水平的优势是"不限定假设"，能发现你事先没想到的脑区；代价是多重比较校正非常严格，弱效应很容易被灭掉。ROI水平正好相反，它把解剖先验放进了统计，检验次数少、灵敏度高，但如果你的假设区域选错了，那就什么都检不出来。这就是为什么很多审稿人会要求你同时报告两种水平的结果，或者至少说明你选择其中一种的理由。
CAT12的便利之处在于，它把这两种水平的统计都整合在同一个界面里了，不需要把数据导到外部软件。只是入口藏得不算显眼，很多人不知道从哪点起。下面我从vertex水平开始，把完整链路走一遍。
2. 跑通vertex水平双样本T检验的完整操作链
2.1 动手前先把数据质量拦在门外
vertex水平的统计结果严重依赖预处理质量。CAT12虽然自动化程度高，但绝不是丢进去就能出结果。我强烈建议在统计之前，先做一轮QC（质量控制）。
具体看两个地方：一是分割后的灰质/白质/脑脊液图有没有明显的错分，二是表面重建出来的皮层有没有明显的拓扑错误。CAT12的Check Data Quality（在Tools菜单里）能给出每张图的质量指标，一般低于B+的我都直接裁掉，不要为了凑样本量把噪声大的数据硬塞进统计。这一步偷懒，后面统计结果里出现半个脑皮层整片假的厚度差异，找原因找三天都找不到。
2.2 预处理链路回顾：表面重建与厚度估计
进入统计之前，每个被试需要完成这么几步：T1分割、表面重建、球形配准、皮层厚度计算、表面平滑。
前四步在CAT12里可以一气呵成。如果你用的是图形界面，直接打开CAT12的Segmentation和Surface Reconstruction模块过一遍就行。这里提醒一个细节：左右半球的数据是分开输出的，最终你会得到类似lh.thickness和rh.thickness这类文件名。后面做统计时，左右半球要分别选数据，不是一次全选。
第五步表面平滑是vertex水平统计里最重要的预处理。CAT12的Smooth Surface模块会对厚度图做高斯平滑，参数是FWHM（半高全宽）。为什么必须平滑？因为顶点水平的厚度图噪声非常大，网格顶点之间的值跳动剧烈，不平滑的话，相邻顶点的统计值会彼此孤立，真伪信号都淹没在噪声里。文献里对这个参数的常规选择是15mm左右，10mm到20mm是一个可接受的范围。太小了噪声压不住，太大了会把解剖细节抹平，组间差异被稀释。我自己的经验是15mm最稳，除非你的样本量特别小或者特别大，否则不要轻易偏离这个值。
2.3 CAT12统计界面的关键设置
这是全文操作量最大的一块。以CAT12的图形界面为例，路径大致是：打开CAT12主界面，选择Statistical Model（有时也叫Statistics），然后选Surface-based analysis。
第一步是选数据。把两组被试的平滑后厚度文件全部添加进来——注意左右半球分开做，也就是说你要跑两次：一次全左半球，一次全右半球。如果觉得手动添加几百个文件太崩溃，可以按文件夹添加，但前提是每个组的所有被试文件都整整齐齐放在一个目录里，且文件名包含固定的组别标记。
第二步是设置组别和协变量。CAT12的设计矩阵界面里，你需要明确每个被试属于哪个组。这里最容易犯的错误是组别编码不统一：在CAT12里，组别通常用0和1来编码，不要用1和2，更不要用A和B。我见过有人拿组别编码当协变量加进模型，结果contrast怎么定义都不对，最后统计出来的T检验方向完全反了。协变量方面，至少把年龄和性别放进去，这是脑影像领域双样本对比的标配。如果样本跨度大，建议把颅内总体积（TIV）也一起放进去，因为皮层厚度虽然不如灰质体积受TIV影响大，但作为协变量带上没有坏处。
第三步是定义对比。双样本T检验的contrast就两种：组1大于组2（写做1 -1），组2大于组1（写做-1 1）。我建议一次跑两套，分别出两个方向的结果。不要只跑一个方向，不然审稿人一问"那你反向的差异呢"，你又得重算一遍。
第四步是选校正方式。这个我单独放在后面一节细说，但在这里先给结论：vertex水平直接用TFCE加置换检验（permutation），不要纠结要不要先用FWE看一眼。理由后面讲。
设置完了之后点Estimate，软件会生成SPM设计矩阵和模型参数估计。这一步通常要跑一阵子，浓度太高的时候，我建议你去做点别的，别盯着进度条。
2.4 结果查看和导出
模型估计完成后，结果可以通过CAT12的渲染功能直接显示在皮层表面模型上。你看到的是一个脑模型上叠加热度图，红色/黄色区域表示组间差异显著。这里要提醒：渲染图适合展示，但真正要写进论文的数据，还需要把每个显著簇（cluster）的峰值顶点坐标、体素/顶点数量、峰值T值、p值都导出来。CAT12的结果界面一般会提供这些信息的表格，导出后建议立即用Excel整理好，不然换了电脑就找不到了。
2.5 备选路径：FreeSurfer QDEC和外部工具
如果你的实验室更习惯用FreeSurfer，也可以用QDEC来做vertex水平的组间比较。流程上需要先把CAT12的厚度文件转换成FreeSurfer的mgh格式，或者干脆直接用FreeSurfer的recon-all全程跑完再做QDEC。我自己是CAT12派的，原因在于它的预处理一体化程度更高，和SPM的兼容性也好，但如果你的数据是FreeSurfer处理过的，没必要强行搬到CAT12里。统计工具本身只是手段，重要的是你清楚自己做了什么、参数是什么。
3. ROI水平双样本T检验：两条高效提取数据的路径
vertex水平分析解决的是"哪里有差异"，ROI水平要解决的是"这个差异在解剖上落在什么区域、在区域层面是否也显著"。后者要做的第一件事，是把每个被试的ROI数据提取出来。实践中常用的有两条路。
3.1 路径A：基于标准解剖模板批量提取
这是最主流的做法。CAT12自带ROI提取工具，你指定一个解剖模板（Desikan-Killiany模板最常用，分左右半球各34个区域，也就是通常说的DK atlas；Destrieux模板更细，Glasser模板是脑连接组学那边用得多的多模态模板，但区域太多会让多重比较校正很吃力），软件就会自动在每个ROI内做全顶点平均，然后输出每个被试每个ROI的平均皮层厚度。
输出的数据格式一般是XML或CSV。CSV最好，直接就能读。你会得到一个数据表：每一行是一个被试，每一列是一个ROI（比如lh_bankssts、rh_precuneus），最后一列是组别标签。这张表就是ROI水平双样本T检验的原料。
提取过程中最容易翻车的点是左右半球的选择。CAT12的ROI工具会让你选"左半球""右半球"还是"左右合并"。如果你后面打算做左右半球的对称性比较，那就左右分开导；如果只关心特定的单侧ROI，就按需选。千万别左右合并导出后又忘记自己导的是合并数据，然后拿单个半球的解剖名去写结果，这种低级错误在结果报告里会很尴尬。
3.2 路径B：从vertex水平的显著簇提取
第二条路径是从vertex水平结果反推。假设你在vertex水平发现了一个跨越顶叶和颞叶交界的显著簇，现在你想验证这个簇在ROI层面的效应。做法是把这个cluster的mask导出来，用CAT12或SPM的工具把每个被试在这个mask范围内的厚度值做平均，得到"每个被试在这个簇上的平均厚度"，然后做双样本T检验。这种做法本质上是把cluster当成一个自定义ROI，特点是检验区域完全由数据驱动，不再依赖解剖模板的边界。
我个人的习惯是两条路径配合用：vertex水平出显著簇之后，先用路径A查一下这个簇落在了哪些标准ROI里，再用路径B针对簇本身提取数据做展示图。这样论文里既有先验驱动的ROI表格，又有数据驱动的cluster图，审稿人一般挑不出什么毛病。
3.3 逐ROI的双样本T检验怎么操作
数据表拿出来了，后面的统计就没那么玄乎了。大部分人直接用SPSS。只要把CSV里的数据粘贴进去，对每个ROI列做一次独立样本T检验（把组别设为分组变量）就行。但我建议你用脚本做，因为ROI数量一多（比如DK模板的全皮层68个区），手动在SPSS里点68遍非常耗时间，而且容易点错。
R的写法很短：
data <- read.csv("roi_thickness.csv", header = TRUE) # 假设group列是0/1编码，thickness列换成具体ROI列名 t.test(thickness ~ group, data = data)Python的写法也差不多：
import pandas as pd from scipy import stats data = pd.read_csv("roi_thickness.csv") group1 = data.loc[data["group"] == 0, "lh_bankssts"] group2 = data.loc[data["group"] == 1, "lh_bankssts"] t_stat, p_val = stats.ttest_ind(group1, group2, equal_var=False)注意这里我用了equal_var=False（Welch's t-test），因为两组方差不齐在脑影像小样本里是很常见的事，默认服从方差齐性反而有风险。SPSS里对应的勾选项就是"未假定等方差"。
跑完68个ROI之后，你会得到一张p值表。这时候就到了ROI水平最容易被低估的一关：多重比较校正。68个ROI同时做检验，纯随机情况下也会冒出三四个p<0.05的假阳性。所以ROI水平的p值不能直接拿来写"该区域显著"。
3.4 ROI水平的校正策略：不能手软也不能一刀切
ROI数量少的时候（比如只有三五个针对性地检验），用Bonferroni校正问题不大，把显著阈值除以ROI数量就好。但ROI数量一多，Bonferroni就过于保守，容易把真实效应也灭掉。我推荐用FDR（错误发现率）校正，既能控制假阳性占比，又不会像Bonferroni那样把检验力压得太低。具体到R里，用p.adjust(p_vals, method = "fdr")就行；Python的statsmodels.stats.multitest.multipletests也可以。
这里要特别说一句：ROI水平的FDR校正不同于vertex水平，它是在几十个检验之间做控制，尺度完全不同。不要拿vertex水平的框架来套ROI水平，它们在方法学报告里是两个不同的段落。
4. 多重比较校正的取舍与结果可视化
4.1 vertex水平校正在CAT12里到底怎么选
vertex水平的多重比较校正是初学者最容易懵的地方，因为选项名词太多：FWE、FDR、TFCE，有的界面里还有family-wise过的permutation。我的建议非常明确：优先用TFCE结合置换检验。
为什么？传统的cluster推断方法，比如先设一个顶点水平的统计阈值（cluster-forming threshold），再把显著的顶点聚类成簇，最后对簇做校正，非常依赖你最初那个阈值怎么选。阈值设高了，信号被碎片化；阈值设低了，又容易产生巨大的簇，结果不可解释。TFCE的全称是Threshold-Free Cluster Enhancement，它把每个顶点的统计量同时考虑自身强度和周围邻域的延展程度，相当于不需要你预先选阈值，把所有可能的cluster规模都纳入进来，然后配合置换检验做校正。它的稳健性在近十年的文献里得到过大量验证，也是CAT12界面里比较推荐的选项之一。
置换检验的次数，CAT12默认通常是1000或5000次，但发表级别的结果最好用5000次以上。置换次数越少，p值分辨率越低，可能会出现p略大于0.05但差一点点的情况，换5000次往往就能得到一个更精确的p值。代价就是计算时间变长，但这是值得的。
4.2 FDR与FWE在vertex水平的使用场景
也不是说TFCE之外就不能用。如果你做了很强的先验假设，只关心一个非常小的区域，可以试用小体积校正（small volume correction），这时候FWE或FDR都可用。但作为全脑探索的默认选项，我的排序依然是TFCE优先于FWE，FWE优先于FDR。FDR在vertex水平容易被极端值影响，因为这几十万个检验并不是独立同分布的，空间相关性让FDR的行为变得不太好预测。所以除非你在方法学上有明确的理由，否则不要在vertex水平用FDR当主要结果。
4.3 结果可视化：图要漂亮也要守规矩
vertex水平结果的渲染图是论文的"门面"。CAT12可以直接渲染到皮层表面，输出等高线式的显著性重叠图。但说实话，CAT12自带的渲染效果一般，很多科研组会把显著结果导出为.asc或.obj文件，再用BrainNet Viewer这类工具在更美观的脑模型上做可视化。
可视化时不要踩一个典型的坑：只画p<0.05的显著区域，却不报告未校正的全脑统计图。规范做法是至少把未校正的p图（比如p<0.001的未校正结果）放在补充材料里，让读者看到全脑的真实效应分布。否则只展示被严格的校正后的碎片化结果，容易被质疑"cherry-picking"。ROI水平的结果则更适合用柱状图或箱线图展示：X轴是ROI名称，Y轴是平均厚度，每个ROI里两组并排，显著性星号标在组间。这种图信息密度高，审稿人一眼就能看到哪些区域有差异。
4.4 统计报告里必须写清的信息
写Methods时，最少要交代这些：分析在哪个软件里做的（CAT12版本号）、预处理参数（平滑核多少mm）、统计模型（双样本T检验，协变量有哪些）、校正方法（TFCE置换次数、FDR等）、显著性阈值（p<0.05校正后）。缺任何一项，都有理由被审稿人要求补材料。我每次写论文前都会把这些参数列成一个表，确保所有文本和表里的数字能对上。
5. 实操排雷：我踩过的坑与最终推荐流程
5.1 坑：文件批量导入后左右半球对不上
有一年我处理一批数据，用CAT12的批量导入功能按文件夹添加了所有被试的surface文件。结果统计跑完发现，个别被试的左右半球文件被对调了，左半球数据出现在了右半球列表里。原因是在文件夹里按文件名排序时，lh和rh文件交错排布，脚本导入时按照固定顺序取，又刚好赶上那个被试命名不规范，前后文件对错了位。
排查办法：统计之前认真核对每个被试的左右半球文件是否配对。最简单的做法是生成一个清单，把每个被试左半球的IDs和右半球的IDs打印出来人工过一遍。还有一个土办法，就是看你跑出来的结果是否符合常理——如果左右半球的效应完全对称到不自然的程度，大概率有文件错位，因为真实的组间差异很少会在左右半球出现一模一样的图案。
5.2 坑：组别变量编码与contrast方向
CAT12里组别编码如果用1和2，则contrast写1 -1或-1 1都不一定符合你想比较的方向。这是SPM的底层设计逻辑导致的：它会把你的组别变量当作一个具有连续意义的预测因子，而不是分类标签，所以用0/1编码才是稳妥的。我自己在写设计矩阵时会把每个被试的组别用0/1列出来，再复查一遍contrast矩阵，确保没有把"组1显著大于组2"和"组2显著大于组1"弄反。
5.3 坑：平滑核选了30mm，结果一片光滑
有个朋友跑SBM统计，觉得15mm的平滑结果"不好看"，想用30mm的平滑让结果更亮眼。结果跑出来确实是巨大一团显著区域，但区域大到跨越了额叶、顶叶、颞叶，整个脑区连成一片，根本没法解释。平滑的本质是把临近顶点的信息混到一起，平滑核越大，空间分辨率越低，区域界线越模糊。30mm的平滑会让结果失去解剖意义。15mm已经是比较温和的选择了，如果担心噪声大，可以提高到20mm，但超过20mm就要好好斟酌一下。
5.4 坑：ROI提取忘了考虑左脑右脑的顺序
前面提到过提取ROI时要选半球。我早期犯过一次比较低级的错误：ROI数据按"左脑+右脑合并"导出后，我在分析右侧颞叶ROI时用的却是左侧的解剖命名，结果目录里对应的列名看起来和实际区域不匹配，统计结果自然也乱了。解决的办法很笨但有效：导出后先在软件里随便挑两个ROI，把数值和FreeSurfer命令行里提取到的数值对一遍，对上号再用。
5.5 最终推荐流程
结合这么多年的实操，我现在做SBM ROI统计分析的固定流程是这样的：
- T1数据统一进行CAT12分割和表面重建；
- 逐个检查分割和重建质量，剔除不合格样本；
- 对厚度图做15mm表面平滑；
- vertex水平：以左右半球为单位，分别在CAT12里做双样本T检验，协变量包含年龄、性别，校正方式用TFCE+5000次置换；
- 记录vertex结果的显著簇信息，导出mask；
- ROI水平：用DK模板批量提取每个被试每区域的平均厚度；
- 在R里对每个ROI做Welch's双样本T检验，p值做FDR校正；
- 两个水平的结果互相呼应，显著簇和显著ROI如果对不上就回去查数据，不强行解释。
这套流程下来，既有了全脑探索性结果，也有了假设驱动的区域结果。数据之间的交叉验证会给你很大的信心，写论文和回应审稿意见时也会从容很多。
最后再多说一句。网上关于SBM统计分析的教程不少，但很多只讲了vertex水平，ROI水平常常一句话带过。实际上ROI水平才是很多临床研究真正需要的部分——因为研究者关心的就是特定的几块脑区。建议你把这篇里的两条路径都实际操作一遍，跑通一次之后，以后再遇到"你帮我看看CAT12统计咋弄"的师弟师妹，你就能直接甩给他们一个完整的操作流程了。