基于下面这份ppt：Comparing SPM and FSL， by lChris Rorden
fsl & spm都是免费的，都很受欢迎。spm更受欢迎。
两者的区别在于何时利用normalise 归一化操作。
二者的头动矫正算法是不同的： spm是基于variance指标，fsl是基于normalised correlation 指标。
spm的头动，包含非刚体变换unwarp操作。
fsl的会将头动参数传递给feat的统计模型中。
spm的头动矫正，sophisticated（好，但是复杂），并且耗时。
这两种技术都可以去除噪声，但是在与头动相关的研究中，也会带来问题，reduce power。
slice timing 越来越鸡肋了，所以在fsl中，索性就基本不用了。
平滑，二者基本是相似的： fsl & spm都应用了空间平滑，高斯平滑核。 在时域平滑时，是可选的。根据后面的统计需要进行。
fsl较spm更鲁棒， spm在good dataset情况下，能取得较好的结果。 所以，应用fsl会导致较多的残差。
归一化分两种： 直接 间接
fsl & spm 默认使用的配准（归一化）模板是不一样的，spm是基于一个T2 模板，而fsl是基于T1模板。
FSL 使用 FLIRT (FMRIB's Linear Image Registration Tool) 这一工具进行配准。
spm5及以上，使用了一种更牛逼的方法，就是进行对T1图像进行组织分割，把分割后的灰质、白质映射到模板空间中。
个体统计： spm & fsl 都使用了glm来进行分析 spm & fsl 的hrf函数建模结果使不同的。
