FreeSurfer 皮层下“训练集”源于手动标记的人脑 MRI 扫描，并结合统计建模来创建概率图谱。 此过程首先由专业的神经解剖学家仔细分割高分辨率 MRI 图像的大量队列中的皮层下结构（例如，海马、杏仁核、丘脑）。 这些手动注释作为基本真理，根据已建立的解剖学指南定义每个结构的精确边界。 标记的数据集通常包括来自不同人群的扫描，以考虑年龄、性别和病理学的变化，确保生成的模型可以在不同的用例中很好地推广。 例如，像阿尔茨海默病神经影像学计划 (ADNI) 或健康对照队列之类的数据集通常用于捕获一定范围的解剖学变异性。
手动分割完成后，MRI 扫描会经过预处理以标准化数据。 这包括强度标准化等步骤，以校正特定于扫描仪的亮度变化、剥离颅骨以去除非脑组织以及空间对齐到通用坐标系（例如，MNI152 或 Talairach 空间）。 然后，将预处理后的扫描及其相应的标签用于构建概率图谱。 这些图谱基于训练集中手动标签的分布，对空间信息（例如，体素属于特定皮层下结构的可能性）进行编码。 FreeSurfer 的算法使用这些图谱来通知贝叶斯推理或机器学习模型，这些模型学习与每个结构相关的强度和形状模式。 例如，尾状核可以被建模为相对于周围白质具有特定强度曲线的 C 形区域。
通过迭代测试来验证最终的训练集，以确保准确性。 交叉验证技术（例如，将数据集拆分为训练和测试子集）有助于量化分割性能指标（例如，Dice 系数）。 分析自动分割和手动分割之间的差异以改进模型，通常通过合并额外的训练数据或调整特征权重。 这种训练、验证和改进的循环可确保 FreeSurfer 中的皮层下分割工具保持稳健。 开发人员可以通过集成自定义训练数据或修改图谱参数来扩展这些原则，使该框架能够适应专门的研究需求，例如儿科神经影像学或神经退行性疾病研究。