DFDaniele Falcetta

Daniele Falcetta

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Daniele Falcetta has a total of 130 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • The TopCoW Challenge — Topology-Aware Circle of Willis Segmentation for CT and MR Angiography

    by Kaiyuan Yang, Fabio Musio, Yihui Ma, Norman Juchler, Johannes C. Paetzold, Rami Al-Maskari, Luciano Höher, Hongwei Bran Li, Ibrahim Ethem Hamamci, Anjany Sekuboyina, et al.


  • Advancing brain vessel analysis : from annotation-efficient selection to population-scale insights

    by Daniele Falcetta

    Avancement de l'analyse des vaisseaux cérébraux : de la sélection efficiente en annotations aux perspectives à l'échelle de la population: Le système cérébrovasculaire humain constitue un réseau hiérarchique complexe assurant l'apport métabolique du cerveau. Son intégrité structurelle est un déterminant critique de la santé cérébrale, tandis que sa dégradation signale fréquemment les prémices d'accidents vasculaires cérébraux et de maladies neurodégénératives. Pour caractériser sa morphologie, la recherche clinique s'appuie sur l'imagerie neurovasculaire 3D, telle que l'Angiographie par Résonance Magnétique (ARM) par temps de vol (Time-of-Flight ou TOF-MRA), qui alimente des chaînes d'analyse d'images vasculaires visant à extraire des biomarqueurs quantitatifs. Bien que prometteuse, la traduction de données volumétriques brutes en informations cliniques exploitables se heurte actuellement à trois obstacles structurels : la rareté des annotations d'experts due au caractère chronophage de la délimitation manuelle, l'hétérogénéité des protocoles d'annotation entre les jeux de données, et l'absence d'outils automatisés pour l'extraction de biomarqueurs et les analyses subséquentes. Cette thèse aborde ces obstacles par le biais de trois contributions méthodologiques couvrant la sélection des données, l'infrastructure d'annotation et l'analyse quantitative cérébrovasculaire. Afin de pallier la rareté des annotations, ce travail introduit V-DiSNet (Vessel-Dictionary Selection Network), une stratégie d'apprentissage actif « one-shot » exploitant la topologie arborescente des structures cérébrovasculaires. En intégrant l'apprentissage de dictionnaire à un échantillonnage stratifié au sein d'un espace latent clairsemé, V-DiSNet identifie un ensemble minimal d'échantillons destinés à l'annotation par des experts. L'évaluation sur des jeux de données publics TOF-MRA 3D indique que la méthode atteint une précision comparable aux approches entièrement supervisées tout en réduisant considérablement le volume de données étiquetées. En réponse au défi de l'hétérogénéité des données, cette thèse présente VesselVerse, une infrastructure d'annotation comprenant des images annotées issues de multiples modalités d'imagerie neurovasculaire. Contrairement aux répertoires statiques, ce cadre intègre la gestion d'annotations multi-experts, la génération de consensus basée sur l'algorithme STAPLE, ainsi que le contrôle de version. La validation par un panel d'experts démontre la concordance inter-juges et confirme que le consensus automatisé synthétise efficacement le jugement des experts, permettant ainsi un raffinement piloté par la communauté. Enfin, pour permettre une quantification à l'échelle de la population, cette recherche développe CaravelMetrics, un cadre d'analyse basé sur des graphes qui extrait des caractéristiques morphométriques, topologiques, fractales et géométriques à travers des territoires cérébraux anatomiquement définis. L'application à une cohorte d'adultes couvrant six décennies quantifie le remodelage cérébrovasculaire lié à l'âge, incluant un déclin de la longueur totale des vaisseaux et une augmentation de la tortuosité, cohérente avec les motifs rapportés dans la littérature concernant la rigidité artérielle. L'analyse démographique révèle un dimorphisme sexuel dans la morphologie vasculaire et une corrélation positive entre le niveau d'éducation et la longueur des vaisseaux, s'alignant avec les hypothèses de la littérature suggérant que la réserve cognitive pourrait s'étendre à la santé cérébrovasculaire. Collectivement, ces contributions établissent une chaîne de traitement allant de la création de données à la découverte à l'échelle de la population. En adressant les barrières structurelles de l'annotation, de la collaboration et de l'analyse, ce travail vise à accélérer l'annotation des vaisseaux et l'entraînement de modèles d'apprentissage profond, et à permettre les investigations à l'échelle de la population nécessaires pour comprendre les déterminants vasculaires du vieillissement cognitif et du risque pathologique.

  • Open Access

    Multi-Domain Brain Vessel Segmentation Through Feature Disentanglement

    by Francesco Galati, Daniele Falcetta, Rosa Cortese, Ferran Prados, Ninon Burgos, Maria A. Zuluaga

    The intricate morphology of brain vessels poses significant challenges for automatic segmentation models, which usually focus on a single imaging modality. However, accurately treating brain-related conditions requires a comprehensive understanding of the cerebrovascular tree, regardless of the specific acquisition procedure. Our framework effectively segments brain arteries and veins in various datasets through image-to-image translation while avoiding domain-specific model design and data harmonization between the source and the target domain. This is accomplished by employing disentanglement techniques to independently manipulate different image properties, allowing them to move from one domain to another in a label-preserving manner. Specifically, we focus on manipulating vessel appearances during adaptation while preserving spatial information, such as shapes and locations, which are crucial for correct segmentation. Our evaluation effectively bridges large and varied domain gaps across medical centers, image modalities, and vessel types. Additionally, we conduct ablation studies on the optimal number of required annotations and other architectural choices. The results highlight our framework's robustness and versatility, demonstrating the potential of domain adaptation methodologies to perform cerebrovascular image segmentation in multiple scenarios accurately. Our code is available at https://github.com/i-vesseg/MultiVesSeg.

  • Divergence-Aware Training with Automatic Subgroup Mitigation for Breast Tumor Segmentation

    by Eleonora Poeta, Luisa Vargas, Daniele Falcetta, Vincenzo Marciano’, Eliana Pastor, Tania Cerquitelli, Elena Baralis, Maria A. Zuluaga


  • VesselVerse: A Dataset and Collaborative Framework for Vessel Annotation

    by Daniele Falcetta, Vincenzo Marciano, Kaiyuan Yang, Jon Cleary, Loïc Legris, Massimiliano Domenico Rizzaro, Ioannis Pitsiorlas, Hava Chaptoukaev, Benjamin Lemasson, Bjoern Menze, et al.


  • One-Shot Active Learning for Vessel Segmentation

    by Daniele Falcetta, Hava Chaptoukaev, Francesco Galati, Maria A. Zuluaga


  • Open Access

    Multi-Domain Brain Vessel Segmentation Through Feature Disentanglement

    by Francesco Galati, Daniele Falcetta, Rosa Cortese, Ferran Prados, Ninon Burgos, Maria A. Zuluaga

    The intricate morphology of brain vessels poses significant challenges for automatic segmentation models, which usually focus on a single imaging modality. However, accurately treating brain-related conditions requires a comprehensive understanding of the cerebrovascular tree regardless of the specific acquisition procedure. Through image-to-image translation, our framework effectively segments brain arteries and veins in various datasets, while avoiding domain-specific model design and data harmonization between the source and the target domain. This is accomplished by employing disentanglement techniques to independently manipulate different image properties, allowing to move from one domain to the other in a label-preserving manner. Specifically, we focus on the manipulation of vessel appearances during adaptation, while preserving spatial information such as shapes and locations, which are crucial for correct segmentation. Our evaluation demonstrates efficacy in bridging large and varied domain gaps across different medical centers, image modalities, and vessel types. Additionally, we conduct ablation studies on the optimal number of required annotations and other architectural choices. The results obtained highlight the robustness and versatility of our framework, demonstrating the potential of domain adaptation methodologies to perform cerebrovascular image segmentation accurately in multiple scenarios.