给定一个alpha=0.05，假定全脑voxel有20000个，则每一个voxel都要进行t统计分析。每一个voxel拒绝H0（激活）的概率是0.05，则全脑激活的voxel数为20000*0.05=1000。（相当于多次重复试验，所以在错误率为0.05时，犯第一类错误的voxel数为20000*0.05=1000，不犯第一类错误的概率是，它非常小）。

Bonferroni correction:如果有20000个voxel，则alpha设置为0.05/20000，这样减小门限值，来尽可能减小犯第一类错误的概率。这个办法减小了犯第一类错误的概率，但是增加了犯第二类错误的概率。

Worsley和同事们应用高斯随机场理论来解决这个问题。由于相邻voxel之间存在相关性，所以独立检验的次数并不是全脑voxel的个数，Bonferroni高估了这个独立检验的次数。由于数据在smooth这一步预处理之后已经符合高斯随机场，根据高斯随机场理论， 需要进行的独立检验次数为，其中X,Y,Z代表三个维度的大小，V是半高宽的大小，这个K通常叫做resolution elements或resels。给定alpha=0.05，则一个cluster有0.05的概率犯第一类错误。

Cluster size thresholding：该方法由Xiong及其同事，Forman 及其同事与1995提出。通过评估激活的voxel的个数来判断是真激活还是伪激活，也就是说一个cluster激活的voxel数超过一定数目（threshold一般取3-6）时，才被判定为激活，否则是伪激活。如果只有一个voxel激活，那就是伪激活。假定p=0.001，则如果一个cluster大小为2，那么它激活的概率是0.001*0.001，假定一个slice的数据是64*64=4096，这样的cluster大约有16000个，那么犯第一类错误概率为16000*0.001*0.001=0.016，比原来的4096*0.001=4要小很多，如果cluster size继续增大，一个cluster犯错误的概率会继续减小，这样整个全脑voxel犯第一类错误的概率也会大大减小。这个方法的缺点是（1）如果将cluster size 设置过大（假如是6），那么可能出现一些脑区只能激活4个voxel，可能就被判定为没有激活。（2）如果一个脑区的激活voxel是呈一个线性而非球形，则很难判定为激活；（3）将一个cluster激活概率计算为单个voxel激活概率的乘积，不是很准确，忽略了voxel之间相关性。