In both diagnostic and research applications, the interpretation of MR images of the human brain is facilitated when different data sets can be compared by visual inspection of equivalent anatomical planes. Quantitative analysis with predefined atlas templates often requires the initial alignment of atlas and image planes. Unfortunately, the axial planes acquired during separate scanning sessions are often different in their relative position and orientation, and these slices are not coplanar with those in the atlas. We have developed a completely automatic method to register a given volumetric data set with Talairach stereotaxic coordinate system.The registration method is based on multi-scale, three-dimensional (3D) cross-correlation with an average (n > 300) MR brain image volume aligned with the Talariach stereotaxic space. Once the data set is re-sampled by the transformation recovered by the algorithm, atlas slices can be directly superimposed on the corresponding slices of the re-sampled volume. the use of such a standardized space also allows the direct comparison, voxel to voxel, of two or more data sets brought into stereotaxic space.With use of a two-tailed Student t test for paired samples, there was no significant difference in the transformation parameters recovered by the automatic algorithm when compared with two manual landmark-based methods (p > 0.1 for all parameters except y-scale, where p > 0.05). Using root-mean-square difference between normalized voxel intensities as an unbiased measure of registration, we show that when estimated and averaged over 60 volumetric MR images in standard space, this measure was 30% lower for the automatic technique than the manual method, indicating better registrations. Likewise, the automatic method showed a 57% reduction in standard deviation, implying a more stable technique. The algorithm is able to recover the transformation even when data are missing from the top or bottom of the volume.We present a fully automatic registration method to map volumetric data into stereotaxic space that yields results comparable with those of manually based techniques. The method requires no manual identification of points or contours and therefore does not suffer the drawbacks involved in user intervention such as reproducibility and interobserver variability.

We present a unified statistical theory for assessing the significance of apparent signal observed in noisy difference images. The results are usable in a wide range of applications, including fMRI, but are discussed with particular reference to PET images which represent changes in cerebral blood flow elicited by a specific cognitive or sensorimotor task. Our main result is an estimate of the P-value for local maxima of Gaussian, t, chi(2) and F fields over search regions of any shape or size in any number of dimensions. This unifies the P-values for large search areas in 2-D (Friston et al. [1991]: J Cereb Blood Flow Metab 11:690-699) large search regions in 3-D (Worsley et al. [1992]: J Cereb Blood Flow Metab 12:900-918) and the usual uncorrected P-value at a single pixel or voxel.

Many studies of brain function with positron emission tomography (PET) involve the interpretation of a subtracted PET image, usually the difference between two images under baseline and stimulation conditions. The purpose of these studies is to see which areas of the brain are activated by the stimulation condition. In many cognitive studies, the activation is so slight that the experiment must be repeated on several subjects and the subtracted images are averaged to improve the signal-to-noise ratio. The averaged image is then standardized to have unit variance and then searched for local maxima. The main problem facing investigators is which of these local maxima are statistically significant. We describe a simple method for determining an approximate p value for the global maximum based on the theory of Gaussian random fields. The p value is proportional to the volume searched divided by the product of the full widths at half-maximum of the image reconstruction process or number of resolution elements. Rather than working with local maxima, our method focuses on the Euler characteristic of the set of voxels with a value larger than a given threshold. The Euler characteristic depends only on the topology of the regions of high activation, irrespective of their shape. For large threshold values this is approximately the same as the number of isolated regions of activation above the threshold. We can thus not only determine if any activation has taken place, but we can also estimate how many isolated regions of activation are present.

The first step in the spatial normalization of brain images is usually to determine the affine transformation that best maps the image to a template image in a standard space. We have developed a rapid and automatic method for performing this registration, which uses a Bayesian scheme to incorporate prior knowledge of the variability in the shape and size of heads. We compared affine registrations with and without incorporating the prior knowledge. We found that the affine transformations derived using the Bayesian scheme are much more robust and that the rate of convergence is greater.

Numerous applications have been reported for the stereotactic mapping of focal changes in cerebral blood flow during sensory and cognitive activation as measured with positron emission tomography (PET) subtraction images. Since these images lack significant anatomical information, analysis of these kinds of data has been restricted to an automated search for peaks in the PET subtraction dataset and localization of the peak coordinates within a standardized stereotactic atlas. This method is designed to identify isolated foci with dimensions smaller than the image resolution. Details of activation patterns that may extend over finite distances, following the underlying anatomical structures, will not be apparent. We describe the combined mapping into stereotactic coordinate space of magnetic resonance imaging (MRI) and PET information from each of a set of subjects such that the major features of the activation pattern, particularly extended tracts of increased blood flow, can be immediately assessed within their true anatomical context as opposed to that presumed using a standard atlas alone. Near areas of high anatomical variability, e. g., central sulcus, or of sharp curvature, e. g., frontal and temporal poles, this information can be essential to the localization of a focus to the correct gyrus or for the rejection of extracerebral peaks. It also allows for the removal from further analysis of data from cognitively-normal subjects with abnormal anatomy such as enlarged ventricles. In patients with neuropathology, e.g., Alzheimer's disease, arteriovenous malformation, stroke, or neoplasm, the use of correlated MRI is mandatory for correct localization of functional activation.