| 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 |
| 07-03-2023 |
Prerequisites:
None.
Evaluation method: Nota 1-7, with 0/1 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 |