| 28-06-2024 |
Desarrollo e Implementación de Algoritmo de Predicción de Ataques Epilépticos en base a señales de Electrocardiograma, usando
- Estudiante de 4to, 5to o 6to año de Ingeniería Matemática, en Computación o Eléctrica (u otra, si se han orientado hacia el área de Data Science) - Experiencia trabajando en proyectos aplicados de Data Science (o voluntad y tiempo para aprender). - Conocimiento intermedio/avanzado de algoritmos de Machine Learning tradicionales (uso de pandas, sklearn y otros similares). - Conocimiento básico/intermedio de algoritmos de DeepLearning (uso de pytorch, keras, tensorflow o jax). - Buenas habilidades de programación en python. Los ataques Epilépticos afectan a x% (rellenar el dato) de la población en Chile, y pueden afectar severamente la vida de quienes los sufren. Usualmente se utilizan señales electricas del cerebro para detectar y predecir este tipo de eventos, a través de Electroencefalogramas. Lamentablemente, este tipo de mediciones son muy imprácticas para llevar un monitoreo constante de los pacientes en su día a día. Es por esto que buscaremos desarrollar algoritmos de Machin
Prerequisitos:
no tiene.
Tiene un método de evaluación Nota 1-7, con 20 créditos y tiene 4/4 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 10-06-2024 |
Peach dataset trunk annotation and segmentation for flower density estimation
A dataset of about 600 samples of peach trees should be manually annotated using an annotation tool to yield training, validation, and testing datasets. The datasets will be used to train deep-learning semantic segmentation models and recognize peach tree trunks and branches. The segmentation outcomes are expected to be used for estimating the relative flower density of each tree.
Prerequisitos:
no tiene.
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 1/4 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 3/10 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:
None.
Evaluation method: Nota 1-7, with 4/4 available vacants |
Mentor(s): Open in the plataform |
| 10-06-2024 |
Prerequisites:
None.
Evaluation method: Nota 1-7, with 1/4 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 3/10 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 |
| 07-01-2020 |
Graph neural networks for unstructured data in cardiovascular disease
Traditional deep learning approaches rely on structured data, such as images, to make predictions. However, there are cases where the data is unstructured, such as the geometry of the heart. This type of information can be represented with graphs. In this study, we will develop a novel type of neural network that can operate on these graphs and make predictions about cardiovascular diseases. Evaluation method: Nota 1-7, with -1/4 available vacants |
Mentor(s): Open in the plataform |