In this work were studied, implemented and evaluated two algorithms of image registration with two similarity metrics of mutual information. These were Viola-Wells Mutual Information [6],[7] and Mattes Mutual Information[11].
Materials and Methods: Two 3D MRI T1 and Τ2 brain images were used. The T1 image was rotated in all three axes , with the 27 possible triples of angles 0.25, 1.5 and 3 degrees and in the T2 image were added 3 Gaussian Noise Levels (1,3,5%). Thus were formed two experiments. The monomodal experiment which was registering the initial T1 image with its 27 rotated instances and the multimodal experiment which was registering the 4 T2 images (0,1,3,5% Gaussian Noise) with the 27 rotated T1 images. The registration framework had also a Regular Step Gradient Descent Optimizer, affine linear transformation and linear interpolator. After the 5 experimental set were registered with both algorithms, then in order for the results to be evaluated, 5 similarity metrics were used. These were: 1) Mean Square Difference 2) Correlation Coefficient 3) Joint Entropy 4) Normalized Mutual Information και 5) Entropy of the Difference Image. Finally t-test was applied, in order to find statistically significant differences.
Results: Both algorithms had similar outcome, although the algorithm with Mattes Μutual Information metric, had a slightly improved performance. Statistically important differences were found in the t-test.
Conclusions: The two methods should be tested more, using other kinds of transformation, and more data sets.
Σε αυτήν την εργασία μελετήθηκαν, υλοποιήθηκαν και αξιολογήθηκαν δύο αλγόριθμοι αντιστοίχισης ιατρικών εικόνων με δύο μετρικές ομοιότητας με χρήση κοινού πληροφορίας. Συγκεκριμένα η υλοποίηση Viola-Wells [6],[7] και η υλοποίηση Mattes[11].
Υλικά και Μέθοδος: Χρησιμοποιήθηκαν δύο εικόνες 3D MRI T1 και Τ2 που απεικόνιζαν εγκέφαλου. Η εικόνα Τ1 περιστράφηκε με τους 27 δυνατές συνδυασμούς των γωνιών 0.25,1.5,3 μοιρών , σε όλους τους άξονες και στην εικόνα Τ2 προστέθηκαν 3 επίπεδα Gaussian θορύβου (1,3,5%). Έτσι σχηματίστηκαν δύο πειράματα. Το μονο-απεικονιστικό πείραμα (Monomodal) που αντιστοιχούσε την αρχική Τ1 εικόνα με τα 27 περιστρεμμένα στιγμιότυπα της και το πολύ-απεικονιστικό (multimodal) που αντιστοιχούσε τις 4 Τ2 εικόνες (0,1,3,5% Gaussian Noise) με τα 27 περιστρεμμένα στιγμιότυπα της Τ1. Το σχήμα της αντιστοίχισης αποτελούνταν εκτός από τις δύο μετρικές ομοιότητας, από τον Regular Step Gradient Descent βελτιστοποιητή , συσχετισμένο (affine) γραμμικό μετασχηματισμό και γραμμικό interpolator. Αφού τα 5 σύνολα πειραμάτων ταυτίστηκαν και με τους 2 αλγορίθμους στην συνέχεια και προκειμένου να αξιολογηθεί το αποτέλεσμα της αντιστοίχισης, χρησιμοποιήθηκαν 5 μετρικές ομοιότητας. Αυτές ήταν : 1) Mean Square Difference 2) Correlation Coefficient 3) Joint Entropy 4) Normalized Mutual Information και 5) Entropy of the Difference Image.
Τέλος εφαρμόστηκε και t-test προκειμένου να επιβεβαιωθούν στατιστικώς σημαντικές διαφορές.
Αποτελέσματα: Και οι δύο αλγόριθμοι βρέθηκαν να έχουν παρόμοια συμπεριφορά, ωστόσο ο αλγόριθμος που χρησιμοποιούσε την Mattes Μutual Information μετρική ομοιότητας είχε καλύτερα αποτελέσματα. Στατιστικώς σημαντικές διαφορές επιβεβαιώθηκαν και από το t-test.
Συμπέρασμα: Οι δύο μέθοδοι θα πρέπει να αξιολογηθούν χρησιμοποιώντας και άλλους μετασχηματισμούς, καθώς και διαφορετικά data set.
