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.