自磁共振成像技术（Magnetic Resonance Imaging,MRI）被发明以来,其作为一种非侵入式手段被广泛应用于基础医学和临床神经科学等领域,且随着磁共振成像技术的发展,出现了一系列基于图像的自动化计算分析方法,例如基于体素的形态学测量（Voxel-based Morphometry,VBM）。基于体素的形态学测量可以在具有高空间分辨率的结构成像上确定大脑特定区域灰质的变化,并且通常通过聚焦在特定脑区的方式来解释结果,例如,男性和女性在特定大脑区域的灰质体积存在差异。目前大量的研究使用基于体素的形态学测量来分析磁共振成像数据,每年超过600篇使用VBM的论文被发表,并且在这些研究所采用的分析中经常使用许多种不同的VBM自动化处理工作流程,但是这些不同工作流程的可靠性尚不明确,有待全面和系统地评估它们是否能得出相同的答案。在VBM分析方法中,最常用的工作流程为基于SPM的CAT,基于FSL的FSLVBM和FSLANAT,以及基于f MRIPrep的s MRIPrep。因此,在这里我们检查了两个大样本的大脑结构数据集（数据集1=200人,数据集2=494人）在这四个常用VBM工作流程之间的变异性和可靠性。研究一和研究二分别将性别和年龄作为变量来验证跨四个不同工作流程CAT12,FSLVBM,FSLANAT,sMRIPrep的选择对典型VBM研究结果的影响。首先通过四种不同的VBM工作流程默认的选项对研究一和研究二中健康被试的大脑结构图像进行预处理,然后检查处理完成的调制后灰质图像映射的空间相似性,以及使用类内相关系数（intraclass correlation coefficient,ICC）和图像类内相关系数（image intraclass correlation coefficient,I2C2）分别基于体素水平和图像水平对四种工作流程的可靠性进行评估。此外,在研究一中,我们采用单变量组间差异分析法来研究男女性别在大脑灰质体积上的差异,同时使用基于机器学习的多变量模式分析来寻找稳健的大脑灰质差异分布模式来预测性别;在研究二中,首先采用单变量回归分析来研究与年龄变化相关的大脑灰质体积的改变,之后同样使用基于机器学习的多变量模式分析来寻找稳健的大脑灰质分布模式来预测年龄。这些分析将有助于我们进一步理解当前结构形态学研究领域中常用软件或处理工作流程对分析结果的影响,从而为改善分析可靠性方面提供一定的参考。研究发现不同工作流程中大脑灰质体积在体素水平的空间分布上差异很大,以及基于体素水平和图像的可靠性分析均显示不同工作流程之间的可重复性和可靠性较低,从而证实了区域大脑灰质体积估算值的巨大差异。此外,关于性别和年龄与大脑灰质体积变化的相关结果显示,在确定特定区域和功能解释等方面,不同工作流程之间存在相当大的差异性。在确定男性大于女性的灰质区域方面,仅在FSLANAT,FSLVBM和CAT三个工作流程之间观察到了10.98%的空间重叠;在探索随年龄增长的灰质体积变化上,四个工作流程之间的空间重叠更是只有0.002%,这些较低的空间重叠率反映了软件选择对结果的影响。相比之下,基于机器学习的多体素模式分析可以基于不同工作流程处理后的灰质图像来准确预测性别或年龄,尽管两者之间的预测精度差异较大,但这说明经过不同工作流程处理的灰质分布仍然可以保留与性别以及年龄相关的重要生物学信息。综合以上研究表明,工作流程的选择会导致大脑结构分析结果的巨大差异,这对结果的可再现性和解释提出了严峻的挑战,在未来的研究中应该进一步推动分析方法和各工作流程的标准化和透明化。