基於下面這份ppt：Comparing SPM and FSL， by lChris Rorden
fsl & spm都是免費的，都很受歡迎。spm更受歡迎。
兩者的區別在於何時利用normalise 歸一化操作。
二者的頭動矯正算法是不同的： spm是基於variance指標，fsl是基於normalised correlation 指標。
spm的頭動，包含非剛體變換unwarp操作。
fsl的會將頭動參數傳遞給feat的統計模型中。
spm的頭動矯正，sophisticated（好，但是復雜），並且耗時。
這兩種技術都可以去除噪聲，但是在與頭動相關的研究中，也會帶來問題，reduce power。
slice timing 越來越雞肋了，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都應用了空間平滑，高斯平滑核。 在時域平滑時，是可選的。根據后面的統計需要進行。
fsl較spm更魯棒， spm在good dataset情況下，能取得較好的結果。 所以，應用fsl會導致較多的殘差。
歸一化分兩種： 直接 間接
fsl & spm 默認使用的配准（歸一化）模板是不一樣的，spm是基於一個T2 模板，而fsl是基於T1模板。
FSL 使用 FLIRT (FMRIB's Linear Image Registration Tool) 這一工具進行配准。
spm5及以上，使用了一種更牛逼的方法，就是進行對T1圖像進行組織分割，把分割后的灰質、白質映射到模板空間中。
個體統計： spm & fsl 都使用了glm來進行分析 spm & fsl 的hrf函數建模結果使不同的。
