Daniele Falcetta
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:
- Maria Alejandra Zuluaga
EURECOM
6 shared publications - Francesco Galati
EURECOM
4 shared publications - Bjoern Menze
Department of Quantitative Biomedicine, University of Zurich, Zurich, Switzerland
2 shared publications - Ferran Prados
Queen Square MS Centre, Department of Neuroinflammation, UCL Queen Square Institute of Neurology, Faculty of Brain Sciences, University College London, United Kingdom
2 shared publications - Hava Chaptoukaev
EURECOM
2 shared publications - Kaiyuan Yang
Department of Quantitative Biomedicine, University of Zurich, Zurich, Switzerland
2 shared publications
Latest Publications
- 23 July 2026
- Published by Massachusetts Medical Society in NEJM AI
- Vol. 3 (8)
The TopCoW Challenge — Topology-Aware Circle of Willis Segmentation for CT and MR Angiography
- 23 July 2026
- Published by Massachusetts Medical Society in NEJM AI
- Vol. 3 (8)
The TopCoW Challenge — Topology-Aware Circle of Willis Segmentation for CT and MR Angiography
- 3 June 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Advancing brain vessel analysis : from annotation-efficient selection to population-scale insights
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.
- 3 June 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Advancing brain vessel analysis : from annotation-efficient selection to population-scale insights
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
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.
Open AccessMulti-Domain Brain Vessel Segmentation Through Feature Disentanglement
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.
- 21 September 2025
- Published by Springer Nature
- p. 52-62
Divergence-Aware Training with Automatic Subgroup Mitigation for Breast Tumor Segmentation
- 21 September 2025
- Published by Springer Nature
- p. 52-62
Divergence-Aware Training with Automatic Subgroup Mitigation for Breast Tumor Segmentation
- 20 September 2025
- Published by Springer Nature
- p. 655-665
VesselVerse: A Dataset and Collaborative Framework for Vessel Annotation
- 20 September 2025
- Published by Springer Nature
- p. 655-665
VesselVerse: A Dataset and Collaborative Framework for Vessel Annotation
- 19 September 2025
- Published by Springer Nature
- p. 470-480
One-Shot Active Learning for Vessel Segmentation
- 19 September 2025
- Published by Springer Nature
- p. 470-480
One-Shot Active Learning for Vessel Segmentation
- Open Access
- 1 September 2025
- Published by Machine Learning for Biomedical Imaging in Machine Learning for Biomedical Imaging
- Vol. 3 (September ) , 477-495
Multi-Domain Brain Vessel Segmentation Through Feature Disentanglement
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.
- 1 September 2025
- Published by Machine Learning for Biomedical Imaging in Machine Learning for Biomedical Imaging
- Vol. 3 (September ) , 477-495
Open AccessMulti-Domain Brain Vessel Segmentation Through Feature Disentanglement
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.