现有对大脑白质的解剖研究主要基于传统的基于体素的方法(Voxel Based Analysis,VBA),通过选取感兴趣区域(Regions Of Interests,ROIs),计算区域属性均值以完成不同样本间的解剖指标对比。这类方法存在着两个局限,一是样本配准带来的精度缺陷,另一方面是传统分析思想计算指标均值会导致“纤维特性均化”,隐藏全局扩散信息。为了克服传统研究的缺陷,分析完整纤维束的白质属性,同时优化纤维跟踪数据增加的时间尺度问题。本文选择基于纤维的分析(Fiber Based Analysis,FBA),通过区域聚类与图谱聚类两种聚类手段去自动归类白质,并计算不同群体沿纤维束的扩散特性以及分析解剖学属性的变化差异。本文的具体工作和成果如下:1.针对传统方法以体素指标均值代替实验数据的缺陷,本文借助自动纤维量化聚类方法对人脑几条主纤维进行识别,沿纤维等距采样,计算指标以标记局部差异。在实验结果中,部分纤维束上出现了连续的显著差异点;整条纤维的扩散特性呈现类曲线般的增减;职业象棋手较普通样本在扩散指标上也表现出了一定的上升,之后与临床指标的皮尔森相关实验也佐证了这一区别。随后,为了弥补聚类方法只考虑到白质中心部分的缺陷,对个别显著性较强的纤维的起始与终止灰质区域进行了脑网络连接检测,均得出了差异性的结果,强化了结论的可靠性,证实了职业棋手大脑白质解剖连接在部分区域上的变化。2.考虑到自动纤维量化聚类方法在分割上较为粗略,数据维度单一,且实验结果缺乏一致性。本文借助基于数据驱动的大脑图谱聚类方法细化脑区纤维,进一步研究人脑纤维结构与解剖学指标,验证通过聚类算法去检测大脑连接属性的方法的可行性。实验从全脑聚类得出的800个类中提取出在上一实验中显著性尤其强烈的上纵束的80个子类,一一进行解剖指标的对比分析。在实验结果中,上纵束的各个部分均有显著点被检测出,且呈现出连续性。这在一定程度上与第三章的实验结果形成了照应,同时,两组数据的纤维疏密度也发现了明显的区分,证明了纤维在脑功能改变下产生的增长。本文借助纤维聚类分割白质,进行大脑解剖连接分析。一方面通过计算职业象棋手与普通人指标间的显著性,证明大脑功能改变对解剖学水平的影响。另一方面针对传统分析方法的缺陷,提出以基于纤维为分析目标,借助两种不同的纤维聚类算法识别人脑中把控重要功能的长纤维,并沿纤维逐点量化扩散信息。总结文章两组实验结果,整体研究结果证实了职业象棋手相比普通群体的解剖水平改变在沿纤维束上的不同区域的表现差异。此外,长期的认知活动,如象棋,可能会影响有关早期记忆、注意力和视觉通路的白质纤维特性;证实了聚类方法对标记局部白质差异的有效性,为研究大脑白质发展提供一个新思路。