| 28-06-2024 |
Cuantificación de la percepción visual del entorno urbano mediante segmentación semántica
El objetivo de esta investigación será crear y analizar un banco de imágenes, procedentes de Google Street View, de entorno urbano en Santiago. Las imágenes serán procesadas con técnicas de segmentación semántica para identificar y cuantificar atributos de entorno. Dichos atributos serán luego utilizados para modelar indicadores de percepción (tales como seguridad y accesibilidad), relevantes para el análisis de patrones de movilidad.
Prerequisitos:
IIC2613
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 1/1 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 28-06-2024 |
Procesamiento de imágenes para diagnóstico de estado de pavimento aeroportuario - Etapa 2
El objetivo principal de esta investigación de pregrado es aplicar distintas herramientas de procesamiento de imágenes para definir las características más apropiadas para poder: i) detectar pavimento degradado, ii) geolocalizar qué segmento específico se encuentra en mal estado, y iii) clasificar el nivel de degradación respectivo. El postulante deberá tener afinidad con la programación y el procesamiento de datos (o gran interés por aprender). Se tendrán reuniones semanales para monitorear estado de avance y discutir resultados. No es requisito haber tomado cursos sobre procesamiento de imágenes con anterioridad, pero están especialmente invitados a postular aquellos estudiantes que sí lo hayan hecho.
Prerequisitos:
IIC1103
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 1/1 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 17-08-2022 |
Un problema de oceanografia, abordado con redes neuronales
La mayoría del oxígeno que respiramos se produce en el océano, por algas unicelulares microscópicas. Uno de los grupos más comunes, conocidos por sus floraciones explosivas, son los cocolitofóridos, cuyas células son esferas cubiertas por escudos calcificados elípticos o circulares. Las características geométricas de estos escudos son indicadores de la calidad del agua y las condiciones ambientales, y sirven para cuantificar el cambio climático y la acidificación del océano. Por el momento, no existen métodos sencillos para seleccionar y detectar estadísticas sobre estas formas y para estudiar poblaciones de algas y su evolución en el tiempo del fitoplancton oceánico. El proyecto propuesto es una continuación de un trabajo empezado con César Bravo y consiste en perfeccionar redes neuronales de clasificación de imágenes para detectar y clasificar automáticamente características de los escudos calcificados de cocolitofóridos (Proyecto asociado al Club de Investigación en Data Science)
Prerequisitos:
IIC2233
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 2/2 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 29-06-2021 |
Estimación de movimiento basada en aprendizaje profundo a partir de imágenes de resonancia magnética (MRI) de cine cardíaco
La MRI es una herramienta fundamental para el diagnóstico de enfermedades cardiovasculares. Las imágenes de cine (dinámicas) del corazón se adquieren para visualizar y cuantificar el movimiento del corazón a lo largo del ciclo cardíaco, ya que las anomalías del movimiento de la pared pueden estar relacionadas con diversas enfermedades cardíacas. Recientemente se han propuesto varios enfoques para estimar el movimiento no rígido del corazón utilizando modelos de aprendizaje profundo. Este trabajo consistirá en realizar una revisión sistemática de la literatura e implementar, comparar y/o ampliar los modelos más prometedores. Disponemos de datos clínicos que pueden utilizarse para el entrenamiento. La investigación se realiza en colaboración con el King's College de Londres.
Prerequisitos:
no tiene.
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 4/10 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 20-12-2020 |
Biopsia Virtual con Resonancia Magnética (MRI) Cardíaca y Aprendizaje Profundo
MRI es una poderosa tecnología para el diagnóstico y seguimiento no-invasivo de varias enfermedades. Magnetic Resonance Fingerprinting (MRF) se ha propuesto para caracterizar múltiples parámetros de los tejidos en una sola adquisición, de modo que los médicos puedan utilizar esos parámetros como una "biopsia virtual". MRF se basa en: 1) el diseño de secuencias de adquisición basada en la física de MRI, 2) generación de diccionarios para describir la evolución de la señal de MRI, 3) reconstrucción a partir de datos submuestreados como un problema inverso, y la 4) concordancia de patrones entre las huellas digitales de MRF y la señal medida. Esta investigación incluye el desarrollo de novedosas secuencias de MRI, técnicas de reconstrucción de imágenes a partir de datos submuestreos, corrección de movimiento y métodos de deep learning para los diferentes pasos de MRF cardíaca. Dependiendo del proyecto sería útil saber fundamentos de MRI o AI.
Prerequisitos:
no tiene.
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 9/10 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 20-12-2020 |
Reconstrucción de súper resolución basada en aprendizaje profundo para angiografía coronaria de resonancia magnética
La enfermedad de las coronarias se diagnostica actualmente con rayos X o con angiografía coronaria de tomografía computarizada (CT). Ambas modalidades exponen a los pacientes a radiación ionizante y agentes de contraste yodados (CA). Hemos desarrollado un enfoque alternativo, la angiografía coronaria por resonancia magnética (RM), que no es invasiva, no requiere la inyección de CA y está libre de radiación. Nuestra técnica se está acercando a la resolución de la CT, pero aún así requiere una exploración de 10 minutos. Para acortar aún más el tiempo de exploración a <1 minuto, proponemos investigar nuevas redes de deep learning para reconstruir imágenes RM de súper resolución (SR). El trabajo incluirá una revisión sistemática de la literatura y la implementación de las redes de SR más prometedoras. Tenemos datos clínicos de RM/CT que pueden ser utilizados para la formación, las pruebas y la validación. La investigación se lleva a cabo en colaboración con el King's College de Londres.
Prerequisitos:
no tiene.
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 6/10 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 20-12-2020 |
Adquisición, reconstrucción y corrección de movimiento para imágenes cardiovasculares por Resonancia Magnética
La resonancia magnética (RM) es una importante herramienta no invasiva para la evaluación de enfermedades cardiovasculares. En comparación con ultrasonido y tomografía computarizada, la RM tiene la ventaja de combinar un excelente contraste de los tejidos blandos con una alta resolución. Una limitación importante de los protocolos de RM es que todas las secuencias de imágenes se adquieren secuencialmente, con diferente resolución, orientaciones y posiciones de retención de la respiración, lo que da lugar a largos tiempos de planificación y adquisición. La degradación de las imágenes debido al movimiento respiratorio son grandes desafíos que afectan a la precisión y la reproducibilidad de la RM cardíaca. Esta investigación incluye el desarrollo de novedosas secuencias de RM tridimensional, técnicas de compensación de movimiento y métodos de aprendizaje profundo para permitir una RM multiparamétrica tridimensional, fácil de planificar, rápida y eficiente del corazón y los vasos.
Prerequisitos:
no tiene.
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 7/10 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 15-07-2020 |
Deep learning para procesamiento y síntesis de audio e imágenes
Diseño, implementación y entrenamiento de redes neuronales específicas para procesamiento de señales de audio e imágenes, para aplicaciones en imágenes médicas, audiográficos, DSP, minería. Deseable experiencia en cursos de imágenes, audio o programación.
Prerequisitos:
IEE2103
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 2/4 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 28-06-2024 |
Prerequisites:
IIC2613
Evaluation method: Nota 1-7, with 1/1 available vacants |
Mentor(s): Open in the plataform |
| 28-06-2024 |
Prerequisites:
IIC1103
Evaluation method: Nota 1-7, with 1/1 available vacants |
Mentor(s): Open in the plataform |
| 27-06-2023 |
Segmentation and classification of rocks in mining operations.
ChatGPT Within the field of the mining industry, one of the main activities is the fragmentation and crushing of rocks for material extraction. In this context, the accurate detection of rocks in mining operations becomes crucially relevant. However, rock recognition remains a problem. One of the challenges lies in the segmentation and classification of rocks based on their size. From this perspective, the objective of this undergraduate research project (IPRE) is to carry out the manual labeling of rocks present in mining operations and evaluate the performance of two neural network-based algorithms for rock detection and classification.
Prerequisites:
None.
Evaluation method: Nota 1-7, with 0/2 available vacants |
Mentor(s): Open in the plataform |
| 07-03-2023 |
Prerequisites:
None.
Evaluation method: Nota 1-7, with 0/1 available vacants |
Mentor(s): Open in the plataform |
| 17-08-2022 |
Prerequisites:
IIC2233
Evaluation method: Nota 1-7, with 2/2 available vacants |
Mentor(s): Open in the plataform |
| 29-06-2021 |
Deep-learning based Motion Estimation from Cardiac Cine Magnetic Resonance Imaging (MRI)
MRI is a fundamental tool for the diagnosis of cardiovascular diseases. Cine (dynamic) images of the heart are acquired to visualize and quantify the motion of the heart through the cardiac cycle, since wall motion abnormalities can be related to various cardiac diseases. Several approaches have been recently proposed to estimate the non-rigid motion of the heart using deep learning models. This work will involve performing a systematic literature review and implementing, comparing and/or extending the most promising models. We have clinical data that can be used for training, testing and validation. The research is conducted in collaboration with King's College London.
Prerequisites:
None.
Evaluation method: Nota 1-7, with 4/10 available vacants |
Mentor(s): Open in the plataform |
| 20-12-2020 |
Virtual Biopsy with Cardiac Magnetic Resonance Fingerprinting and Deep Learning
Magnetic Resonance Imaging (MRI) is a powerful non-invasive medical image tool which is used for the diagnosis and treatment follow up of several diseases. MR Fingerprinting (MRF) has been recently proposed to characterize multiple tissue parameters in a single time-efficient scan, so these parameters can be used by clinicians as a “virtual biopsy”. MRF relies on: 1) MRI physics-based sequence design, 2) dictionary generation to describe the MRI signal evolution, 3) reconstruction from undersampled data as an inverse problem, and 4) pattern matching between the fingerprints and the measured signal. Additionally motion correction techniques are required in the case of imaging the heart, due to cardiac and respiration motion. This research includes the development of novel MR sequences, undersampled reconstruction techniques, motion compensation and deep learning approaches for the different steps of cardiac MRF. Depending on the project it would be useful to know about the fundamentals of MRI, optimization or AI.
Prerequisites:
None.
Evaluation method: Nota 1-7, with 9/10 available vacants |
Mentor(s): Open in the plataform |
| 20-12-2020 |
Deep learning based super resolution reconstruction for high resolution coronary magnetic resonance angiography
Coronary artery disease is currently diagnosed with X-ray or computed tomography coronary angiography (CTCA). However, both modalities expose patients to ionising radiation and iodinated contrast agents (CA). We have developed an alternative approach, coronary magnetic resonance angiography (CMRA), which is non-invasive, does not require the injection of CA and is free of radiation. Our 3D CMRA technique is approaching the resolution of CTCA but still requires a 10-minute scan. To further shorten the scan time to <1 minute and match the resolution of CTCA (0.6mm3), we propose to investigate novel deep learning based super resolution (SR) image reconstruction networks. The work will include a systematic literature review and the implementation of the most promising SR networks. We have a large clinical dataset of CMRA/CTCA data that can be used for training, testing and validation. The research is in collaboration with King’s College London. It would be useful to know about the fundamentals of artificial intelligence.
Prerequisites:
None.
Evaluation method: Nota 1-7, with 6/10 available vacants |
Mentor(s): Open in the plataform |
| 20-12-2020 |
Acquisition, reconstruction and motion correction for 3D whole-heart Magnetic Resonance Imaging
Magnetic Resonance Imaging (MRI) is an important non-invasive tool for risk assessment and treatment monitoring of cardiovascular disease. In comparison to other imaging modalities (ultrasound, x-ray and computed tomography) MRI has the advantage of combining excellent soft tissue contrast with high spatial resolution. However, a major limitation of current MRI protocols is that all imaging sequences are acquired sequentially, with different resolution, geometric orientations and breath-hold positions, resulting in long planning and scan times. Moreover, image quality degradation due to respiratory and cardiac motion are major challenges that greatly affect the accuracy and reproducibility of cardiac MRI. This research includes the development of novel whole-heart 3D MRI sequences, motion compensation techniques and deep learning methods to enable 3D, easy-to-plan, fast and efficient quantitative multi-parametric MRI of heart and vessels. The research is done together with King’s College London. Basic knowledge of MRI, signal processing and artificial intelligence would be useful.
Prerequisites:
None.
Evaluation method: Nota 1-7, with 7/10 available vacants |
Mentor(s): Open in the plataform |
| 15-07-2020 |
Prerequisites:
IEE2103
Evaluation method: Nota 1-7, with 2/4 available vacants |
Mentor(s): Open in the plataform |
| 26-07-2019 |
Image analysis of Leptospirillum spp. biofilms and identification of inhibitory factors
The objective of this IPre is to quantify the differences between the patterns of colonization and formation of biofilms of Leptospirillum spp. Tested as substrates coupons, and grains of pyrite (FeS2). You will make experiments of leaching, epifluorescence microscopy and image analysis using scripts in R and Python. Also be tested for potential inhibitory molecules of the leaching and formation of biofilms of Leptospirillum spp.
Keywords:
Biolixiviacion
Analisis de Imágenes
Prerequisites:
None.
Evaluation method: Nota 1-7, with 0/1 available vacants |
Mentor(s): Open in the plataform |
| 15-04-2019 |
Filamentous fungi identification through image analysis
Fungal infections are a common pathology in the clinical practice and affect an important percentage of the population. The ident for highly trained, resource is not available in all clinical laboratories . The final goal of this project is to design a tool which by means of the image recognition is able to identify to genus and species of filamentous fungi recovered from a traditional crop. Specific objectives of this project: 1. Acquire images of microscopic observations of filamentous fungi of the species Aspergillus and Mucor, and to develop a database with these 2. Segmentation of images. 3. Extraction and selection of features based on the morphology of the fungi. 4. Create a classifier must able to distinguish both species and their genera.
Prerequisites:
None.
Evaluation method: Nota 1-7, with 0/1 available vacants |
Mentor(s): Open in the plataform |
| 03-12-2018 |
Prerequisites:
None.
Evaluation method: Nota 1-7, with 0/1 available vacants |
Mentor(s): Open in the plataform |