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
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