我一直在努力寻找任何解释这一点的文献，所以希望有人能提供帮助。

我在 MRI 的一个子领域工作，我们收集的数据是 4D（3D 空间和 1D 时间）。由于某些硬件（和参与者）的限制，我们收集的数据通常是空间各向异性的。例如，空间中某个点的信号强度反映了从 0.5 mm x 0.5 mm x 1.0 mm 的空间体积中发出的某些物理现象的测量结果。

因此，对于给定的时间点，我们拥有的原始数据是一个 3D 矩阵，其中每个单元代表来自各向异性空间体积的测量信号。

无论如何，在任何类型的统计分析之前进行的常规预处理方法之一是将这些数据集重新采样为空间各向同性形式。

我在哪里可以找到为什么这样做的任何理由。如果有人能阐明一些推动这一决定的基本理论，将不胜感激。干杯~

编辑：提供一些额外的细节......

考虑跨越 5mm x 5mm 的“真实世界”中的 2D 空间。假设这个空间进行离散测量，代表 1.25 mm x 1.00 mm（各向异性区域）。这意味着我们将有一个 4x5 的测量矩阵来代表我们的真实世界空间。这是 MRI 输出的数据。

现在，假设我想使用 1.00 mm x 1.00 mm 的网格将这些各向异性数据“重新采样”为各向同性格式。对于此过程，将各向异性矩阵放置到真实世界坐标系上，并在此之上叠加各向同性网格。然后，根据您的空间重采样方法（例如最近邻），各向同性网格将填充值以形成 5x5 矩阵（其中这些值由获取的各向异性数据集中最初存在的值决定）这看起来像这样：

上面的示例只是一个 2D 空间数据集……但是，希望很清楚如何将此过程推广到更高的 3D 情况。

为了进一步添加上下文，这些数据集通常会进行线性或非线性的空间变换。此外，数据集被平滑（使用一系列不同的方法......比其他方法更“标准”）以最小化噪声。一旦进行了一些其他预处理步骤，最终就会进行统计分析。