Il laboratorio sviluppa modelli numerici avanzati, strumenti di calcolo ad alte prestazioni basati sull’uso di GPU e metodi di analisi dati su larga scala, per applicazioni nell'ingegneria biomedica, nell'imaging diagnostico e nella scienza dei materiali.

Attualmente, il laboratorio è attivo in tre aree principali di ricerca.

AI e modelli in silico per l’imaging diagnostico

• Si sviluppano e validano modelli di AI per il rilevamento automatico, la classificazione e la segmentazione di patologie nelle immagini mediche. Un'applicazione riguarda lo screening del tumore al seno tramite mammografia a raggi X, ove si studiano metodi per la valutazione metrologica dell'accuratezza e la spiegabilità.
• Si mettono a punto modelli in silico e algoritmi di AI generativa per creare dataset di immagini mediche sintetiche altamente realistiche. Gli scopi sono la realizzazione di trial clinici virtuali e l’integrazione dei database di immagini cliniche, per migliorare il training e il testing dei modelli di AI. Per la mammografia a raggi X e l’imaging a risonanza magnetica, la sintesi in silico viene effettuata simulando l'intero processo di acquisizione delle immagini, a partire da phantom digitali antropomorfi.

Design di nanomateriali e dispositivi per applicazioni biomedicali

• Si studiano nanoparticelle magnetiche per l'ipertermia terapeutica e l’imaging diagnostico. Il loro design viene effettuato tramite modelli numerici micromagnetici, che consentono di ottimizzare forma, dimensioni e composizione, indirizzando la sintesi e la caratterizzazione sperimentale. Vengono inoltre sviluppati modelli in silico per simulare gli effetti dell'ipertermia in phantom digitali antropomorfi e animali.
• Si progettano dispositivi elettromagnetici per applicazioni metrologiche e nelle scienze della vita, come nano/microsensori per la misura di campi magnetici deboli e la diagnostica in vitro (rilevazione di particelle magnetiche per lo screening di biomarcatori).

Digital twin e AI per l'analisi di contaminanti

• Vengono sviluppati digital twin per simulare le interazioni biofisiche tra sistemi viventi e contaminanti (sostanze chimiche, nano/microparticelle). Un'applicazione riguarda la modellizzazione in silico dello spazio intervilloso della placenta, per l’analisi del trasferimento al feto di sostanze potenzialmente tossiche.

Vengono ottimizzati algoritmi di machine learning per quantificare contaminanti (e.g. microplastiche) in campioni di origine biologica, ambientale o alimentare, fornendo una caratterizzazione dimensionale affidabile per la valutazione del rischio tossicologico.