InVisioning* Lab
*Lab
InVisioning Lab sviluppa metodologie e strumenti per l’imaging biomedico quantitativo, con l’obiettivo di trasformare immagini e segnali complessi in informazioni affidabili, interpretabili e utili per la ricerca biomedica e per lo sviluppo di soluzioni avanzate per la salute. Il gruppo integra competenze di ingegneria, matematica e ICT per affrontare problemi di caratterizzazione dei tessuti biologici in contesti diversi, combinando acquisizione dati, elaborazione delle immagini, modellazione matematica e intelligenza artificiale.
Le attività del laboratorio si collocano in una prospettiva multiscala e multimodale. Da un lato, il gruppo studia immagini ex vivo, come quelle istologiche ad alta risoluzione, per analizzare in modo quantitativo la microstruttura dei tessuti biologici. In questo ambito, tecniche avanzate di image processing e AI consentono di passare da una valutazione prevalentemente qualitativa a descrizioni più oggettive, riproducibili e automatizzate, riducendo la soggettività dell’interpretazione e aumentando la robustezza dei processi di analisi.
Dall’altro lato, il laboratorio sviluppa e applica approcci di imaging quantitativo in vivo, tra cui l’imaging ad ultrasuoni e fotoacustico, per ottenere informazioni non invasive sulle proprietà strutturali e funzionali dei tessuti. Queste metodologie generano grandi quantità di dati eterogenei, la cui interpretazione richiede modelli matematici e algoritmi capaci di migliorarne qualità, leggibilità e valore informativo.
Un elemento distintivo di InVisioning Lab è l’uso dell’AI non solo come strumento di automazione, ma come supporto alla rappresentazione quantitativa e alla comprensione dei fenomeni biologici. Per questo il gruppo dedica particolare attenzione a temi quali affidabilità, controllabilità, validazione e trasparenza degli algoritmi, aspetti essenziali in ambito biomedicale. L’obiettivo non è soltanto ottenere modelli performanti, ma costruire metodi robusti, verificabili e interpretabili.
Attraverso l’integrazione di dati provenienti da modalità di imaging differenti e da osservazioni a scale diverse, dalla microstruttura tissutale fino all’organismo in vivo, InVisioning Lab mira a sviluppare soluzioni intelligenti capaci di trasformare la complessità dei dati in conoscenza utile e utilizzabile.
Le attività del laboratorio si collocano in una prospettiva multiscala e multimodale. Da un lato, il gruppo studia immagini ex vivo, come quelle istologiche ad alta risoluzione, per analizzare in modo quantitativo la microstruttura dei tessuti biologici. In questo ambito, tecniche avanzate di image processing e AI consentono di passare da una valutazione prevalentemente qualitativa a descrizioni più oggettive, riproducibili e automatizzate, riducendo la soggettività dell’interpretazione e aumentando la robustezza dei processi di analisi.
Dall’altro lato, il laboratorio sviluppa e applica approcci di imaging quantitativo in vivo, tra cui l’imaging ad ultrasuoni e fotoacustico, per ottenere informazioni non invasive sulle proprietà strutturali e funzionali dei tessuti. Queste metodologie generano grandi quantità di dati eterogenei, la cui interpretazione richiede modelli matematici e algoritmi capaci di migliorarne qualità, leggibilità e valore informativo.
Un elemento distintivo di InVisioning Lab è l’uso dell’AI non solo come strumento di automazione, ma come supporto alla rappresentazione quantitativa e alla comprensione dei fenomeni biologici. Per questo il gruppo dedica particolare attenzione a temi quali affidabilità, controllabilità, validazione e trasparenza degli algoritmi, aspetti essenziali in ambito biomedicale. L’obiettivo non è soltanto ottenere modelli performanti, ma costruire metodi robusti, verificabili e interpretabili.
Attraverso l’integrazione di dati provenienti da modalità di imaging differenti e da osservazioni a scale diverse, dalla microstruttura tissutale fino all’organismo in vivo, InVisioning Lab mira a sviluppare soluzioni intelligenti capaci di trasformare la complessità dei dati in conoscenza utile e utilizzabile.
-
Responsabile scientifico
-
Team di ricerca
Area di ricerca
Linee di ricerca
- Intelligenza artificiale per l’analisi di immagini e segnali biomedicali: sviluppo di metodi per estrarre parametri quantitativi da immagini e segnali biomedici, trasformando dati complessi in informazioni oggettive e interpretabili
- Analisi di immagini istologiche ex vivo: studio della microstruttura dei tessuti biologici attraverso immagini ad alta risoluzione, con tecniche di image processing e AI per analisi automatizzate e riproducibili
- Imaging fotoacustico e imaging ad ultrasuoni in vivo: sviluppo e applicazione di metodologie non invasive per la caratterizzazione strutturale e funzionale dei tessuti biologici
- Modellazione matematica e integrazione multimodale: uso di modelli matematici e algoritmi quantitativi per combinare dati eterogenei provenienti da diverse modalità di imaging e da scale di osservazione differenti
- Affidabilità, interpretabilità e validazione degli algoritmi: Studio di metodi robusti, trasparenti e controllabili, con particolare attenzione alla validazione e alla coerenza dei risultati in contesti biomedicali
Competenze
Settori ERC
SDG
Keywords
Collaborazioni con altri gruppi di ricerca
- 3D LAB – Metodi di progettazione virtuale e ingegneria dell’interazione uomo-macchina
- Strumentazione biomedica e Ingegneria del Sistema Neuromuscolare
Pubblicazioni da archivio istituzionale
Pubblicazioni da archivio istituzionale
-
Barua, Prabal Datta; Goktas, Omer Faruk; Dogan, Sengul; Baygin, Nursena; Baygin, Mehmet; ... (2026)
A new lung disorder detection model based on graphene pattern using respiratory sounds. In: SPEECH COMMUNICATION, vol. 181. ISSN 0167-6393 -
Yildiz, Arif Metehan; Barua, Prabal Datta; Baygin, Mehmet; Dogan, Sengul; Tuncer, ... (2026)
A novel approach using deep belief network patterns and attention binary decomposition for automated community emotion detection. In: BIOMEDICAL SIGNAL PROCESSING AND CONTROL, vol. 116. ISSN 1746-8094 -
Gertych, Arkadiusz; Salvi, Massimo; Mischi, Massimo (2026)
Advances in digital health: Multimodal intelligence and translational impact. In: COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE, vol. 273. ISSN 0169-2607 -
Pathan, S.; Shahini, A.; Salvi, M.; Ali, T.; Lewis, J. R.; Molinari, F.; Acharya, U. R. (2026)
Artificial Intelligence in Gastrointestinal Disease Diagnosis: A Systematic Review of Endoscopy, Histology, and Radiology Applications. In: WILEY INTERDISCIPLINARY REVIEWS. DATA MINING AND KNOWLEDGE DISCOVERY, vol. 16. ISSN 1942-4795 -
James, Jimcymol; Gudigar, Anjan; Raghavendra, U.; Samanth, Jyothi; Maithri, M.; ... (2026)
Automated identification of left ventricular hypertrophy using cardiac ultrasound imaging: A systematic review of artificial intelligence driven approaches. In: INFORMATICS IN MEDICINE UNLOCKED, vol. 60. ISSN 2352-9148 -
Salvi, Massimo; Dogan, Sengul; Inamdar, Mahesh Anil; Raghavendra, U.; Gudigar, Anjan; ... (2026)
Evolution of fuzzy logic in medical applications: methods, trends and clinical applications. In: EXPERT SYSTEMS WITH APPLICATIONS, vol. 321. ISSN 0957-4174 -
Ruocco, Gerardina; Marcello, Elena; Paoletti, Camilla; Salvi, Massimo; Zoso, Alice; ... (2026)
Fibrous bioinks for the bioprinting of anisotropic scaffolds with micro-and nanoscale organization as a novel approach for in vitro skeletal muscle engineering. In: INTERNATIONAL JOURNAL OF BIOPRINTING, vol. 12, pp. 323-347. ISSN 2424-8002 -
Chadalavada, Sreeni; Shahini, Alen; Hagiwara, Yuki; Salvi, Massimo; Sharma, Ekta; March, ... (2026)
Impact of Pollution on Mental Health: A Systematic Review of Associations, Methodological Challenges, and Future Directions. In: HEALTH SCIENCE REPORTS, vol. 9. ISSN 2398-8835 -
Loi, Gianfranco; Fusella, Marco; Zara, Stefania; Vagni, Marica; Michielli, Nicola; ... (2026)
Inverse consistency error for validating deformable image registration: an explorative study on computational phantoms. In: PHYSICS AND IMAGING IN RADIATION ONCOLOGY, vol. 37, pp. 1-7. ISSN 2405-6316 -
Bugyi, Lukasz; Schmitner, Nicole; Kimmel Robin, A; Meyer, Dirk; Zhou, Qifa; Haindl, ... (2026)
Lissajous-trajectory scanning optical coherence photoacoustic microscopy for zebrafish larva imaging. In: JPHYS PHOTONICS, vol. 8. ISSN 2515-7647 -
Mohammadi, Afshin; Mohebbi, Alisa; Mirza-Aghazadeh-Attari, Mohammad; Mohammadzadeh, ... (2026)
LymphUs: A multicenter open-access database of lymph node ultrasound images in patients with papillary thyroid carcinoma for clinical and artificial intelligence research. In: DATA IN BRIEF, vol. 66. ISSN 2352-3409 -
Ferraris, Andrea; Branciforti, Francesco; Meiburger, Kristen M.; Veronese, Federica; ... (2026)
No-Reference Quality Assessment of Dermoscopic Images Using Minimal Expert Supervision. In: APPLIED SCIENCES, vol. 16. ISSN 2076-3417 -
Deloria, Abigail J.; Csiszar, Agnes; Deng, Shiyu; Sabbaghi, Mohammad Ali; Branciforti, ... (2026)
Optical coherence photoacoustic microscopy for 3D cancer model imaging with AI-assisted organoid analysis. In: LIGHT, SCIENCE & APPLICATIONS, vol. 15. ISSN 2047-7538 -
Sengur, Abdulkadir; Salvi, Massimo; Barua, Prabal Datta; Deo, Ravinesh; Li, Yan; ... (2026)
QAAR-SIREN: quantum-augmented attention and residual SIREN for time-series forecasting. In: INFORMATION SCIENCES, vol. 754. ISSN 0020-0255 -
Salvi, Massimo; Michielli, Nicola; Mogetta, Alessandro; Gambella, Alessandro; Sengur, ... (2026)
Shifting the Focus of Digital Pathology: The Raising Relevance of Pre-Processing Phase Over Model Complexity. In: IET IMAGE PROCESSING, vol. 20. ISSN 1751-9659 -
Barua, Prabal Datta; Tasci, Burak; Baygin, Mehmet; Dogan, Sengul; Tuncer, Turker; ... (2026)
ShortNeXt: A novel method for accurate classification of colorectal cancer histopathology images. In: COMPUTER VISION AND IMAGE UNDERSTANDING, vol. 265. ISSN 1077-3142 -
Scotto, Manuela; Patti, Roberta; L'Imperio, Vincenzo; Fraggetta, Filippo; Molinari, ... (2026)
SlideInspect: From Pixel-Level Artifact Detection to Actionable Quality Metrics in Digital Pathology. In: INTERNATIONAL JOURNAL OF IMAGING SYSTEMS AND TECHNOLOGY, vol. 36. ISSN 0899-9457 -
Inamdar, Mahesh Anil; Gudigar, Anjan; Raghavendra, U.; Kaprekar, Aryaman; Salvi, ... (2026)
TrustNet: a lightweight network with integrated uncertainty quantification and quantitative explainable AI for ischemic stroke detection in CT images. In: SCIENTIFIC REPORTS, vol. 16. ISSN 2045-2322 -
Nitti, Francesco; Seoni, Silvia; Morello, Alberto; Dolci, Lorenzo; Piazza, Amedeo; ... (2026)
Uncertainty-aware semi-supervised learning for neurosurgical navigation. In: APPLIED SOFT COMPUTING, vol. 197. ISSN 1568-4946 -
Gomez, Carolina; Letizia, Annalisa; Tufano, Vincenza; Molinari, Filippo; Salvi, Massimo (2025)
A cascade approach for the early detection and localization of myocardial infarction in 2D-echocardiography. In: MEDICAL ENGINEERING & PHYSICS, vol. 143. ISSN 1350-4533