3D MRI Image Registration

Introduzione

Questo progetto riguarda la registrazione di immagini MRI 3D tramite ottimizzazione dei parametri di trasformazione con Particle Swarm Optimization (PSO) e Continuous Particle Swarm Optimization (CPSO). Il processo include il calcolo della Mutual Information (MI) e del Root Mean Squared Error (RMSE) per valutare la qualità della registrazione.

---

Descrizione

Il codice:

• Carica due immagini MRI in formato NIfTI (.nii.gz) (una fissa e una mobile).
• Le converte in formato numerico e applica un filtro gaussiano.
• Utilizza PSO e CPSO per ottimizzare una trasformazione affine.
• Calcola e visualizza i risultati di Mutual Information e RMSE.

---

Requisiti

• MATLAB (versione 2020 o successiva).
• Image Processing Toolbox.
• NIfTI Toolbox per MATLAB (link).
• CPSO (implementato nel codice).

---

File Principali

📌 mainCPSO.m

Esegue la registrazione utilizzando CPSO con:

• Caricamento e pre-processing delle immagini.
• Ottimizzazione dei parametri di trasformazione.
• Calcolo di Mutual Information e RMSE.

📌 mainPSO.m

Simile a mainCPSO.m, ma utilizza PSO invece di CPSO.

📌 Funzioni ausiliarie

• objective_function.m → Funzione obiettivo per l'ottimizzazione.
• create_transformation_matrix.m → Costruisce la matrice di trasformazione affine.
• mutual_information.m → Calcola la Mutual Information.
• rmse_control_points.m → Calcola RMSE usando punti di controllo.
• rmse.m → Calcola RMSE tra le immagini.

---

🚀 Come Usare

1. Configurazione dell'Ambiente

   • Installare MATLAB e i toolbox richiesti.
   • Aggiungere il toolbox NIfTI alla cartella di lavoro.

2. Caricamento delle Immagini

   • Modificare i percorsi delle immagini nei file .m:

     fixedImageStruct = nii_tool('load', 'Task02_Heart/imagesTr/la_019.nii.gz');
     movingImageStruct = nii_tool('load', 'Task02_Heart/labelsTr/la_019.nii.gz');

3. Esecuzione dello Script

   • Eseguire mainCPSO.m o mainPSO.m in MATLAB:

     run('mainCPSO.m');

4. Visualizzazione dei Risultati

   • MATLAB mostrerà le immagini fisse, mobili e registrate.
   • Verranno stampati i valori ottimizzati e le metriche di qualità.

---

📊 Analisi dei Risultati

• Grafico di convergenza della fnzione obiettivo CPSO:

• Grafico andamento della Fitness del CPSO:

• Grafico andamento della Fitness del PSO:

• Grafico andamento dell'errore del CPSO:

• Grafico andamento dell'errore del PSO:

---

📈 Visualizzazione Dati

Il file monte_carlo_results_cpso.json viene generato per analisi successive.

Per visualizzare i risultati in MATLAB:

jsonData = fileread('monte_carlo_results_cpso.json');
data = jsondecode(jsonData);

🔹 Grafico della Convergenza

figure;
for i = 1:length(data.execution_times_all)
    plot(data.convergence_all{i}, 'LineWidth', 1.5);
end
xlabel('Iterazioni'); ylabel('Funzione Obiettivo');
title('Convergenza della Funzione Obiettivo');
grid on;

🔹 Distribuzione dei Parametri Ottimali

figure;
boxplot(data.optimal_params_all, 'Labels', {'tx', 'ty', 'tz', 'θx', 'θy', 'θz', 'scale'});
title('Distribuzione dei Parametri Ottimali');
grid on;

---

📌 Conclusione

Il progetto confronta PSO e CPSO per la registrazione di immagini MRI 3D, mostrando i vantaggi dell'ottimizzazione continua sui parametri di trasformazione affine.

---

📎 Licenza

Questo progetto è distribuito con licenza MIT.

---

📩 Contatti

Per domande o suggerimenti, contattare: giovanni.iacuzzo@unikorestudent.it