Oportunidades Públicas

Fecha de Creación	Descripción	Mentor(es)	Acciones
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. It would be useful to know about the fundamentals of artificial intelligence. Keywords: MRI deep learning Imágenes Médicas artificial intelig Prerequisites: No prerequisites Available vacancies: 3/10 Class Code Initials: IEE IBM ING This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits 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. Keywords: MRI deep learning Imágenes Médicas artificial intelig Prerrequisitos: Sin prerrequisitos Vacantes disponibles: 3/10 Siglas iniciales: IEE IBM ING Tiene un método de evaluación Nota 1-7, con 10 créditos	Claudia Del Carmen Prieto Vásquez René Michael Botnar	Ver
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. Keywords: MRI procesamiento señal Imágenes Médicas artificial intelig Prerequisites: No prerequisites Available vacancies: 3/10 Class Code Initials: IEE IBM ING This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits 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. Keywords: MRI procesamiento señal Imágenes Médicas artificial intelig Prerrequisitos: Sin prerrequisitos Vacantes disponibles: 3/10 Siglas iniciales: IEE IBM ING Tiene un método de evaluación Nota 1-7, con 10 créditos	Claudia Del Carmen Prieto Vásquez René Michael Botnar	Ver
04/06/2025	Histological image analysis to identify populations at risk Histology produces high-resolution images, e.g., 22000 x 70000 pixels, of tissues. These tissues come from biopsies performed with well-defined protocols, which allows histologies from different patients to be compared. However, due to their size, it is hard to extract and analyze all the relevant information in the image. In addition, some variations in the protocol cause changes in the image's contrast, which hinders their comparison. For this reason, image processing tools have the potential to facilitate the analysis of these images and extract patterns that are hard to identify by the naked eye. The first stage of this project seeks to develop analysis methods, including artificial intelligence and statistical learning tools, that allow relevant features to be extracted from a single histology, to determine the regions where structures are similar, and where they are anomalous in their morphology Keywords: Imágenes Médicas Analisis de Imágenes aprendizaje maquina Prerequisites: No prerequisites Available vacancies: 3/6 Class Code Initials: IMT ING This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits Procesamiento de imágenes de histología para identificar poblaciones de riesgo La histología produce imágenes de alta resolución, p.ej., 22000 x 70000 pixeles, de tejidos. Estos tejidos provienen de biopsias que se realizan con protocolos bien definidos, lo que permite comparar histologías provenientes de pacientes distintos. Sin embargo, debido a su tamaño, es difícil extraer y analizar toda la información relevante de la imagen. Además, algunas variaciones en el protocolo causan cambios en el contraste de la imagen, lo que dificulta su comparación. Por este motivo, las herramientas de procesamiento de imágenes tienen el potencial de facilitar el análisis de estas imágenes y extraer patrones que son difíciles de identificar a simple vista. La primera etapa de este proyecto busca desarrollar métodos de análisis, incluyendo herramientas de inteligencia artificial y aprendizaje estadístico, que permitan extraer características relevantes de una misma histología, para determinar las regiones donde las estructuras son similares, donde son anómalas en su morfología. Keywords: Imágenes Médicas Analisis de Imágenes aprendizaje maquina Prerrequisitos: Sin prerrequisitos Vacantes disponibles: 3/6 Siglas iniciales: IMT ING Tiene un método de evaluación Nota 1-7, con 10 créditos	Carlos Alberto Sing-long Collao Marcelo Edgardo Andia Kohnenkampf	Ver