如果进行纵向研究或对长时期神经行为(如Learning)的研究，则需进行inter-session registration。Session之间的变换通过计算每个Session高分辩率的解剖像来实现。因为to3d可以定义1个session内EPI和SP-GR之间关系；而3dvolreg可以计算不同session间的关系；所以可以将EPI数据集从session 2转换至sessoin 1的轴向。
Inter-session校正存在的问题：
a. 被试的头放置位置不同(方向和定位都不同)；所以xyz坐标和解剖位置都不对应。(如下图，Day 1和Day 2的层面位于同一体素的并非同一组织，需进行旋转，然后进行平移。
b. 扫描覆盖的解部结构不同。
c. EPI和SPGR之间的几何关系在不同session之间不同。 d. 层面厚度也可能不同(不过可以尽量避免此点)。
如下图，进行旋转时还需要注意一个问题，即旋转的原点应该相同(以SPGR 中心)，否则需要先进行中心平移。
上述问题的解决方案：
a. 在旋转后再加上适当的平移(on top of熟练掌握, 在...之上, 另外, 紧接着)；
允许不同天进行的实验(E1-E2)之间进行xyz方向的平移，以及EPI和SPGR之间(E1-S1和E2-S2)的中心平移(center shifts)
b. 将EPI数据集垫加(pad)额外的层面(zeros slices)，这样进行对齐的数据集可以包含所有session的所有数据 c 对数据集进行Zero padding可在to3d(创建数据集)时进行，也以后使用3dZeropad进行
d 3dvolreg和3drotate可以进行zero pad 从而使输出符合网格父数据集(―grid parent‖ dataset)的大小和位置。
进行intra-subject S2-to-S1变换的步骤 a. 计算S2-to-S1的变换关系
3dvolreg –twopass –clipit –zpad 4 –base S1+orig –prefix S2reg S2+orig b. 旋转/位移参数保存在S2reg+orig.HEAD文件中
c. 如果以前没有做(e.g. in to3d)，对E1数据集进行Zero pad 3dZeropad –z 4 –prefix E1pad E1+orig d. 对E1数据集进行intra-session校正
3dvolreg –clipit –base ?E1pad+orig[4]‘ –prefix E1reg E1pad+orig
e. 对E2数据集进行intra-session校正，同时进行大的旋转/位移校正至Session的坐标系(需要的信息存在S2reg+orig.HEAD)
3dvolreg –clipit –base ?E2+orig[4]‘ –rotparent S2reg+orig –gridparent E1reg+orig –prefix E2reg E2+orig 注：-rotparent 告知inter-session变换关系从哪获得 -gridparent 定义输出的新数据集的网格位置及大小
输出数据集将取决于E1reg+orig的需要进行平移和Zero padded
上面讨论的步骤没有考虑不同层面厚度(EPI and/or SPGR)时的问题。最好的解决方案是在扫描时尽量对同一类型图像使用相同的层面厚度；当然，如果没有做到这一点，可以使用3dZregrid对数据集进行线性插值，从而具有相同的厚度。
上面的步骤也没有考虑存在头信息内(from to3d, e.g. ?alt+z‘)的层面依赖的时间位移。在插值至新的旋转后的网格时，体素的值再也不能说来自某一特定的时间位移，因为来自不同层面的数据集将集合在一起。在做空间插值之前，首先对数据集进行时间位移至共同的时间原点非常有意义。时间位移可以使用3dTshift或3dvolreg –tsihft完成。 5.4 功能像的时间域滤波
数据可以在线性模型拟合前使用 3dFourier进行时间域的过滤，将会对时间序列进行相当严格的频率域过滤。 Usage: 3dFourier [options] dataset (Afni 3d+time 数据集)
-prefix 新的输出3d+time数据集名称[默认为fourier] -lowpass f 低通滤波的界值(f Hz) -highpass f 高通滤波的界值(f Hz)
-ignore n 忽略最开始的n个图像[默认为1]
-retrend 任何均值和线性趋势在滤波前去除，在滤波后再恢复 注: lowpass和highpass可以一起用，构建成band-pass。
例：3dFourier -prefix run_1_vr_lp -lowpass 0.05 -retrend run_1_vr+orig
低通(low pass)滤波界值(cutoff value)是基于输入刺激模型的频率谱(i.e. the 1D files)，如下图(图像经过反转色彩)。
时间滤波在线性模型拟合前平滑数据，而提供更好的模型拟合。
在选择频率界值时应该保守一点，并在时间滤波后用AFNI查看时间序列。 5.5.a 功能像的空间平滑
在一些时间点，你可能想对你的数据进行空间平滑(smooth)或模糊(blur)。因为两个原因。一是许多平滑操作及空间平滑趋向于平均图像中的较高空间频率噪声，因此，具有较大范围的激活区域仍然保存，但一些较小范围的激活被去除。二是集合被试间的数据之前，需要进行空间模糊(blurring)，因为脑解剖结构即使在标准化至标准脑空间(Talairach)后也存在差异，因此它们的功能激活区有可能并不精确重叠。
在数据处理过程中主要有三个步骤可以进行空间平滑。数据在重建(如使用hamming或fermi filter选项)时可被平滑。这样做具有优势：在它们进行进一步处理前消除不需要的噪声或伪影。然而，在重建过程中的空间平滑是层面内的(in-plane)。也就是说，它为每个脑层面独立应用平滑，因此不考虑层面间的不需要的较高空间频率噪声，也没有对被试间层面方向的功能激活配准产生帮助。
第2个可以进行空间平滑的时间是恰在第1次各被试内数据统计分析前。这是(必须)使用原始数据时间序列的最后阶