Laboratorio INTOCADS
INTelligent Optimized Computer-Aided Diagnosis Systems for bioengineers
Le principali risorse del laboratorio INTOCADS (INTelligent Optimized Computer-Aided Diagnosis Systems for bioengineers) includono l’infrastruttura HPC (High Performance Computing – Calcolo ad Elevate Prestazioni) per elaborare immagini, segnali e dati biomedicali e la progettazione di modelli computazionali quali il Digital Twin (DT), le piattaforme integrate per l’acquisizione e l’elaborazione di biosegnali, le piattaforme per la valutazione funzionale cognitiva e motoria basate sulla simulazione in VR (Virtual Reality – Realtà Virtuale), il sistema di tracciamento del movimento per un’accurata cattura e analisi del movimento.
Il laboratorio includerà un’ infrastruttura completa per progettare, implementare e validare sistemi ottimizzati di supporto alle decisioni seguendo il seguente workflow:
- Acquisizione di biosegnali, bioimmagini e biodati per Digital Twin data-driven per simulare e stimare caratteristiche delle malattie in modo paziente-specifico;
- Tecniche intelligenti avanzate per l’elaborazione e la segmentazione dei dati a disposizione (biosegnali, bioimmagini, biodati e biomarcatori) e la costituzione di biopattern;
- Metodologie intelligenti e ottimizzate per l’identificazione multifattoriale di biopattern (estrazione, riduzione della dimensionalità e trasformazione di features radiomiche e radiogenomiche);
- Modellazione, implementazione, addestramento e validazione di topologie ottimizzate di modelli di Machine Learning e Deep Learning per la realizzazione di Sistemi di Supporto alle Decisioni e alla Diagnosi;
- Classificazione, caratterizzazione e stadiazione di patologie croniche, acute e neurodegenerative o di disturbi del movimento.
Le principali risorse del laboratorio INTOCADS sono dettagliate di seguito:
- Infrastruttura HPC, equipaggiata con tutto il software necessario, allo scopo di progettare, sviluppare, addestrare, validare e testare modelli intelligenti per l’elaborazione morfologica e funzionale di immagini biomedicali e di biosegnali ad alta densità;
- Infrastruttura per acquisire segnali EEG, EMG, ECG, fNIRS e bioimpedenza;
- Infrastruttura per modellare e caratterizzare malattie neurodegenerative o disordini del movimento tramite sistemi avanzati di tracciamento del movimento e piattaforme per elicitare stimoli sensoriali in scenari immersivi.
Queste risorse saranno rese disponibili nel laboratorio INTOCADS presso il Dipartimento di Ingegneria Elettrica e dell’Informazione del Politecnico di Bari (DEI-POLIBA) per (1) analisi e modellazione e (2) stimolazione e acquisizione di dati.
Pubblicazioni Scientifiche
- Zaccaria, G. M., Altini, N., Mezzolla, G., Vegliante, M. C., Stranieri, M., Pappagallo, S. A., Ciavarella, S., Guarini, A., Bevilacqua, V. SurvIAE: Survival prediction with Interpretable Autoencoders from Diffuse Large B-Cells Lymphoma gene expression data. Computer Methods and Programs in Biomedicine, 2024, 244, p.107966. doi: 10.1016/j.cmpb.2023.107966
- Suglia, V., Palazzo, L., Bevilacqua, V., Passantino, A., Pagano, G., D’Addio, G. A Novel Framework Based on Deep Learning Architecture for Continuous Human Activity Recognition with Inertial Sensors. Sensors, 2024, 24, 2199. doi: 10.3390/s24072199
- Altini, N., Rossini, M., Turkevi-Nagy, S., Pesce, F., Pontrelli, P., Prencipe, B., Berloco, F., Seshan, S., Gibier, J. B., Dorado, A. P., Bueno, G., Peruzzi, L., Rossi, M., Eccher, A., Li, F., Koumpis, A., Beyan, O., Barratt, J., Huy Quoc, V., Mohan, C., Van Nguyen, H., Cicalese, P. A., Ernst, A., Gesualdo, L., Bevilacqua, V., Becker, J. U. Performance and Limitations of a Supervised Deep Learning Approach for the Histopathological Oxford Classification of Glomeruli with IgA Nephropathy. Computer Methods and Programs in Biomedicine, 2023, p.107814. doi: 10.1016/j.cmpb.2023.107814
- Gentile, E., Brunetti, A., Ricci, K., Vecchio, E., Santoro, C., Sibilano, E., Bevilacqua, V., Iliceto, G., Craighero, L., de Tommaso, M. Effects of movement congruence on motor resonance in early Parkinson’s disease. Scientific Reports, 2023, 13(1), p.14887. doi: 10.1038/s41598-023-42112-2
- Prencipe, B., Delprete, C., Garolla, E., Corallo, F., Gravina, M., Natalicchio, M. I., Buongiorno, D., Bevilacqua, V., Altini, N., Brunetti, A. An Explainable Radiogenomic Framework to Predict Mutational Status of KRAS and EGFR in Lung Adenocarcinoma Patients. Bioengineering. 2023; 10(7):747. doi: 10.3390/bioengineering10070747
- Sibilano, E., Brunetti, A., Buongiorno, D., Lassi, M., Grippo, A., Bessi, V., Micera, S., Mazzoni, A., Bevilacqua, V. An attention-based deep learning approach for the classification of subjective cognitive decline and mild cognitive impairment using resting-state EEG. J Neural Eng. 2023 Feb 6. doi: 10.1088/1741-2552/acb96e.
- Suglia, V., Brunetti, A., Pasquini, G., Caputo, M., Marvulli, T. M., Sibilano, E., Della Bella, S., Carrozza, P., Beni, C., Naso, D., Monaco, V., Cristella, G., Bevilacqua, V., Buongiorno, D. A Serious Game for the Assessment of Visuomotor Adaptation Capabilities during Locomotion Tasks Employing an Embodied Avatar in Virtual Reality. Sensors. 2023; 23(11):5017 doi: 10.3390/s23115017.
