Oportunidades Públicas

Fecha de Creación	Descripción	Mentor(es)	Acciones
15/07/2020	Keywords: deep learning Imágenes procesamiento señal audio Prerequisites: IEE2103 Available vacancies: 2/4 Class Code Initials: IEE This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits 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. Keywords: deep learning Imágenes procesamiento señal audio Prerrequisitos: IEE2103 Vacantes disponibles: 2/4 Siglas iniciales: IEE Tiene un método de evaluación Nota 1-7, con 10 créditos	Rodrigo Fernando Cadiz Cadiz	Ver
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
18/12/2025	Evaluation of Multifrequency Deep Image Prior for Real-Time 0.55 T Radial Cardiac Cine MRI Cardiac cine Magnetic Resonance Imaging (MRI) is the gold standard for assessing heart function, but conventional techniques rely on electrocardiogram(ECG)-based acquisitions over multiple heartbeats, which limits temporal resolution and excludes patients with irregular heart rhythms. Recent advances in artificial intelligence have introduced Time-Dependent Deep Image Prior (TD-DIP), a powerful method that enables high–temporal-resolution cardiac imaging from very short MRI acquisitions. However, standard TD-DIP still depends on ECG signals, restricting its applicability in patients with arrhythmias. The Multifrequency TD-DIP framework overcomes this limitation by learning cardiac motion directly from the data—without requiring ECG input. This method has shown promising results at 1.5 T using spiral acquisitions. The objective of this project is to implement and evaluate Multifrequency TD-DIP for radial cardiac cine MRI at 0.55 T. Low-field MRI systems offer improved patient comfort, lower costs, and greater accessibility, but they also present exciting challenges due to reduced signal-to-noise ratio (SNR). This project offers hands-on experience at the intersection of MRI physics, signal processing, and deep learning, contributing to more accessible and patient-friendly cardiac MR imaging technologies. Keywords: deep learning resonancia magnética imágenes cardiacas Problemas Inversos Prerequisites: No prerequisites Available vacancies: 10/10 Class Code Initials: IEE IBM ING PhD students who will assist in mentoring for this research opportunity: Tabita Catalán This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits Evaluación de Deep Image Prior Multifrequencial para Cine Cardíaco en Tiempo Real con MRI Radial a 0.55 T La resonancia magnética cardíaca (MRI) de cine es el estándar de oro para evaluar la función del corazón. Sin embargo, los métodos convencionales requieren adquisiciones sincronizadas con electrocardiograma (ECG) a lo largo de múltiples latidos, lo que limita la resolución temporal y dificulta el estudio de pacientes con arritmias. Avances recientes en inteligencia artificial han dado lugar al Time-Dependent Deep Image Prior (TD-DIP), una técnica que permite reconstrucciones con alta resolución temporal a partir de adquisiciones cortas. No obstante, el TD-DIP tradicional sigue dependiendo del ECG, lo que restringe su uso clínico. El enfoque Multifrequency TD-DIP supera esta limitación al modelar el movimiento cardíaco directamente desde los datos, sin necesidad de señales de ECG. Esta metodología ha sido validada previamente a 1.5 T utilizando adquisiciones espirales. El objetivo de este proyecto es implementar y evaluar Multifrequency TD-DIP para adquisiciones radiales de cine cardíaco a 0.55 T. Los sistemas de resonancia de bajo campo ofrecen mayor comodidad para los pacientes, menores costos y mayor accesibilidad, aunque presentan desafíos debido a su menor relación señal-ruido (SNR). Este proyecto brinda una oportunidad para adquirir experiencia práctica en resonancia magnética, procesamiento de señales y aprendizaje profundo, contribuyendo al desarrollo de tecnologías de imagen cardíaca MRI más inclusivas y accesibles. Keywords: deep learning resonancia magnética imágenes cardiacas Problemas Inversos Prerrequisitos: Sin prerrequisitos Vacantes disponibles: 10/10 Siglas iniciales: IEE IBM ING Estudiantes de doctorado que ayudarán mentoreando en esta investigación: Tabita Catalán Tiene un método de evaluación Nota 1-7, con 10 créditos	Claudia Del Carmen Prieto Vásquez René Michael Botnar	Ver
29/06/2026	Erosion-LAB: Wear of Materials by Erosive-Abrasive Flow (2026-II) CONTEXT: Pulp processing equipment in industry often fails early, despite meeting design and construction standards. The research by the "Erosion-LAB" team addresses the need to ensure operational continuity and extend the useful life of systems that handle turbulent and abrasive flows, such as mining slurries. OFFER: Collaborate in the development of an intelligent monitoring system that combines acoustic images with flow analysis and material characterization. The student can join our team, applying knowledge from various areas to (choose): (1) Optimize the design and operation of the turbulent flow simulator (<--"Mechanical Design"), (2) Develop wear models (<-- "Materials Science"), (3) Analyze turbulent flow in 3D ("<-- Fluid Mechanics"), (4) Analyze acoustic signals and images (<-- "Electrical circuits"), (5) Automate the data acquisition system (<-- "Systems Control"). Dedication: The 10 crs can be concentrated in one semester or distributed in 5 cr over two semesters. Possible extension as a professional internship (Aeonix) or a master's thesis. Keywords: Corrosión Velocimetria desgaste Flujo turbulento erosión imagenes acusticas Prerequisites: No prerequisites Available vacancies: 3/4 Class Code Initials: ICM This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits Erosion-LAB: Desgaste de materiales por flujo erosivo-abrasivo (2026-II) CONTEXTO: El equipamiento que procesa pulpas en la industria suele fallar de forma anticipada, a pesar de cumplir con los estándares de diseño y construcción. La investigación del equipo “Erosion-LAB” responde a la necesidad de asegurar la continuidad operacional y extender la vida útil de sistemas que manejan flujos turbulentos y abrasivos, como las pulpas mineras. OFERTA: Colaborar en el desarrollo de un sistema de monitoreo inteligente que combina imágenes acústicas con análisis de flujo y de caracterización de materiales. El/la estudiante puede sumarse a nuestro equipo, aplicando conocimientos de diversas áreas a (elegir): (1) Optimizar el diseño y operación del simulador de flujo turbulento (<--"Diseño Mecánico”), (2) Desarrollar modelos de desgaste (<-- “Ciencia de Materiales”), (3) Analizar flujo turbulento en 3D (“<-- Mecánica de Fluidos”), (4) Analizar señales e imágenes acústicas (<-- “Circuitos eléctricos”), (5) Automatizar el sistema de adquisición de datos (<-- “Control de Sistemas”). Dedicación: Los 10 cr pueden ser concentrados en un semestre o distribuidos en 5 cr durante dos semestres. Articulación: Posible articulación con práctica profesional (Aeonix) o tesis de magíster. Keywords: Corrosión Velocimetria desgaste Flujo turbulento erosión imagenes acusticas Prerrequisitos: Sin prerrequisitos Vacantes disponibles: 3/4 Siglas iniciales: ICM Tiene un método de evaluación Nota 1-7, con 10 créditos	Magdalena Marta Walczak Ariel Orlando Espinoza Jara	Ver
30/06/2026	Semi-supervised automatic segmentation in cardiac magnetic resonance imaging Medical image segmentation is a labor-intensive and time-consuming task, which presents a significant challenge in clinical practice. This is exacerbated by the scarcity of data manually annotated by experts, as the labeling of 3D volumes requires specialized personnel and extensive hours of work. In this context, artificial intelligence, and particularly semi-supervised learning, emerges as a promising solution: it allows for leveraging both a small set of labeled images and a larger volume of unlabeled images, reducing the reliance on manual annotations without sacrificing accuracy. This work aims to utilize state-of-the-art neural network architectures, adapted for semi-supervised frameworks, to automatically segment various contrasts and 3D cardiac MRI maps, optimizing the annotation process and improving the model's accuracy even with limited labeled data. Keywords: resonancia magnética imágenes cardiacas inteligencia artificial Prerequisites: No prerequisites Available vacancies: 4/5 Class Code Initials: IEE IBM ING PhD students who will assist in mentoring for this research opportunity: Carlota Rivera This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits Segmentación automática semisupervisada en imágenes de resonancia magnética cardíaca La segmentación en imágenes médicas es una tarea laboriosa que exige una gran cantidad de tiempo, lo que presenta un desafío significativo en la práctica clínica. Esto se agrava por la escasez de datos anotados manualmente por expertos, ya que el etiquetado de volúmenes 3D requiere de personal especializado y horas de trabajo. En este contexto, la inteligencia artificial, y en particular el aprendizaje semisupervisado, surge como una solución prometedora: permite aprovechar tanto un conjunto reducido de imágenes etiquetadas como un volumen mayor de imágenes sin etiquetar, reduciendo la dependencia de anotaciones manuales sin sacrificar precisión. El trabajo tiene como objetivo utilizar arquitecturas de redes neuronales de última generación, adaptadas a esquemas semisupervisados, para segmentar automáticamente diferentes contrastes y mapas 3D de MRI cardíaco, optimizando el proceso de anotación y mejorando la precisión del modelo incluso con datos etiquetados limitados. Keywords: resonancia magnética imágenes cardiacas inteligencia artificial Prerrequisitos: Sin prerrequisitos Vacantes disponibles: 4/5 Siglas iniciales: IEE IBM ING Estudiantes de doctorado que ayudarán mentoreando en esta investigación: Carlota Rivera Tiene un método de evaluación Nota 1-7, con 10 créditos	Claudia Del Carmen Prieto Vásquez René Michael Botnar	Ver
20/07/2026	Visualization and annotation of medical images for AI training In this research opportunity, you will develop a system to visualize and annotate DICOM files of X-ray images to facilitate the creation of datasets with visual grounding, thus enabling you to train more interpretable AI models. You are expected to have full-stack web development experience (having completed web development and database management courses) and to be interested in researching how to use these tags to train multimodal AI models. Keywords: Imágenes Médicas inteligencia artificial modelos multimodales Prerequisites: IIC2233 IIC2413 Available vacancies: 1/4 Class Code Initials: IIC PhD students who will assist in mentoring for this research opportunity: Pablo Messina This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits Visualización y anotación de imágenes médicas para entrenamiento de IA En esta oportunidad de investigación, desarrollarás un sistema para visualizar y anotar archivos DICOM de imagenes de rayos X con el propósito de facilitar la creación de dataset con grounding visual y así entrenar modelos de IA más interpretables. Se espera que sepas desarrollo web full stack (que hayas cursado las asignaturas de desarrollo web, así como BBDD) y que estés interesado en investigar cómo usar estas etiquetas para entrenar modelos multimodales de IA. Una posibilidad de esta investigación es enfocarse más en la evaluación y mejoramiento de modelos de IA para imágenes médicas, como Medgemma, MAIRA-2 y CURE (desarrollado por nuestro laboratorio) Keywords: Imágenes Médicas inteligencia artificial modelos multimodales Prerrequisitos: IIC2233 IIC2413 Vacantes disponibles: 1/4 Siglas iniciales: IIC Estudiantes de doctorado que ayudarán mentoreando en esta investigación: Pablo Messina Tiene un método de evaluación Nota 1-7, con 10 créditos	Denis Alejandro Parra Santander	Ver