GMM-DRIT: learning disentangled latent spaces for MRI harmonization via gaussian mixture attribute modeling

Magnetic resonance imaging (MRI) studies increasingly combine data acquired across multiple sites, protocols, and scanners to improve statistical power and clinical relevance. However, scanner-dependent acquisition differences introduce non-biological variability that can confound downstream analyses. In this work, we introduce GMM-DRIT, an image harmonization framework based on unpaired image-to-image (I2I) translation, designed for realistic clinical settings, where paired acquisitions of the same subject across scanners are rarely available and anatomical fidelity must be preserved. Building on disentanglement-based I2I translation, GMM-DRIT enriches the attribute (scanner-dependent) representa- tion by imposing a Gaussian Mixture Model (GMM) structure on the attribute latent space. Concretely, we implement the attribute encoder as a Gaussian Mix- ture Variational Autoencoder (GM-VAE) and adopt a two-stage training strat- egy, where the GM-VAE is first pretrained to learn a structured attribute space and then integrated into the full unpaired translation pipeline. This structured modeling aims to better capture heterogeneous scanner variability and mitigate common failure modes such as scanner information leakage into content represen- tations and consequent anatomical degradation. We evaluate GMM-DRIT on a four-domain dataset built from four different acquisition centers. For scanner-free harmonization, GMM-DRIT preserves anatomy with consistently high structural similarity; for domain-to-domain translation, GMM-DRIT achieves luminance con- sistency close to within-scanner variability and substantially improves feature-space distribution alignment compared to the baseline. Qualitative assessment and in- tensity distribution analyses further confirm reduced scanner-dependent contrast differences while maintaining anatomical fidelity. Overall, GMM-DRIT provides a practical and effective framework for unpaired multi-scanner MRI harmonization by combining disentangled translation with mixture-structured attribute modeling.

Le analisi su immagini di risonanza magnetica (MRI) si basano sempre più su dati provenienti da centri diversi, acquisiti con protocolli e scanner eterogenei. Questa eterogeneità introduce variabilità non biologica legata allo scanner, che può ridurre la confrontabilità delle immagini e influenzare le analisi. In questa tesi proponiamo GMM-DRIT, un metodo di armonizzazione per contesti clinici realistici, in cui raramente sono disponibili acquisizioni appaiate dello stesso soggetto su scanner differenti e in cui la preservazione dell’anatomia è un requisito fondamentale. Il metodo si basa su un approccio di traduzione image-to-image con rappresentazioni disentangled, e rafforza la componente degli attributi (dipendente dallo scanner) imponendo una struttura a mistura di gaussiane nello spazio latente degli attributi. A tal fine, l’encoder degli attributi è implementato come GM-VAE e l’addestramento avviene in due fasi: prima viene pre-addestrato il GM-VAE per apprendere uno spazio degli attributi organizzato e interpretabile, che viene poi integrato nella pipeline completa di armonizzazione. Questa scelta consente di modellare meglio la variabilità tra scanner e di ridurre alcuni problemi, come il trasferimento indesiderato di informazioni di scanner nelle rappresentazioni di contenuto, che può portare a degradazione anatomica. Valutiamo GMM-DRIT su un dataset costruito a partire da quattro diversi centri di acquisizione. Nell’armonizzazione scanner-free, GMM-DRIT preserva l’anatomia ottenendo valori di similarità strutturale costantemente elevati; nella traduzione domain-to-domain, raggiunge una coerenza di luminanza vicina alla variabilità intra-scanner e migliora significativamente l’allineamento delle distribuzioni nello spazio delle feature rispetto alla baseline. La valutazione qualitativa e le analisi delle distribuzioni di intensità confermano una riduzione delle differenze di contrasto dipendenti dallo scanner, mantenendo la fedeltà anatomica. In conclusione, GMM-DRIT fornisce un framework pratico ed efficace per l’armonizzazione MRI multi-dominio, combinando traduzione disentangled e modellazione degli attributi con un modello di mistura di gaussiane.