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
03/07/2023	Graph Neural Networks for molecules Graph-based deep learning models have recently surpassed other classical methods in computational chemistry for searching for molecules with specific properties, such as drugs and bioprocess catalysts. The goal of IPRE is to develop neural networks on graphs to calculate the optimal fit of molecule pairs from a database. It's not necessary to start from scratch with neural networks to make smooth progress, and it's useful for those with a passion for tackling difficult problems with combinatorial and geometric aspects. Keywords: deep learning graph neural network Prerequisites: IIC2613 IIC1253 Available vacancies: 2/2 Class Code Initials: IMT This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits Graph Neural Networks para moleculas Modelos de Deep Learning basado en grafos han recien superado a otros metodos clasicos en quimica computacional para la busqueda de moleculas con propiedades especificas, por ejemplo farmacos y catalizadores de bioprocesos. El objetivo de la IPRE es desarrollar redes neuronales sobre grafos, para calcular la forma de encaje optimo de pares de moleculas desde un database. Se necesita no partir desde cero con redes neuronales para poder avanzar sin problemas, y es util si se tiene una pasion para problemas dificiles con aspectos combinatorios y geometricos. Keywords: deep learning graph neural network Prerrequisitos: IIC2613 IIC1253 Vacantes disponibles: 2/2 Siglas iniciales: IMT Tiene un método de evaluación Nota 1-7, con 10 créditos	Mircea Alexandru Petrache	Ver
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 Keywords: deep learning ciencia de datos phyton Predicción epilepsia Prerequisites: No prerequisites Available vacancies: 1/2 Class Code Initials: IMM ING PhD students who will assist in mentoring for this research opportunity: Javier Maass Martinez This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits 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 Keywords: deep learning ciencia de datos phyton Predicción epilepsia Prerrequisitos: Sin prerrequisitos Vacantes disponibles: 1/2 Siglas iniciales: IMM ING Estudiantes de doctorado que ayudarán mentoreando en esta investigación: Javier Maass Martinez Tiene un método de evaluación Nota 1-7, con 10 créditos	Francisco Javier Aboitiz Dominguez Amin Hekmatnejad	Ver
02/12/2024	Keywords: deep learning Prerequisites: No prerequisites Available vacancies: 1/1 Class Code Initials: IEE This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits Reducción de ruido con una Red Variacional Esta investigación busca reimplementar una red variacional basada en la Variación Total Profunda (Total Deep Variation) en 3D para poder ser utilizada en problemas de reducción de ruido con imágenes biomédicas. Se buscan alumnos con conocimientos en Deep Learning y manejo de Python y Matlab. Keywords: deep learning Prerrequisitos: Sin prerrequisitos Vacantes disponibles: 1/1 Siglas iniciales: IEE Tiene un método de evaluación Nota 1-7, con 10 créditos	Carlos Andres Milovic Fabregat	Ver
03/12/2024	Implementation of new Deep Learning architectures for Quantitative Susceptibility Mapping We look to implement new networks like Kolmogorov-Arnold Networks, transformers, conditional flow matching and others, to improve the quality of the reconstructions in QSM Keywords: deep learning Prerequisites: No prerequisites Available vacancies: 8/10 Class Code Initials: IEE This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits Implementación de nuevas arquitecturas de redes neuronales para Quantitative Susceptibility Mapping (QSM) QSM es un problema inverso mal comportado, que ha sido muy desafiante para algoritmos de aprendizaje profundo. Redes tipo Unet son susceptibles a alucinar o tienes capacidades muy limitadas de generalización. En este proyecto se busca implementar nuevas redes como las Kolmogorov-Arnold Networks, transformers, conditional flow matching u otras, buscando mejorar el estado del arte. Keywords: deep learning Prerrequisitos: Sin prerrequisitos Vacantes disponibles: 8/10 Siglas iniciales: IEE Tiene un método de evaluación Nota 1-7, con 10 créditos	Carlos Andres Milovic Fabregat	Ver
17/07/2025	Generative network of musical exercises for auditory training In this research, we will attempt to train a generative deep learning model based on a database of music theory and auditory training exercises, using multimodal models that receive text in addition to scores. The idea is to implement a tool for personal study without the need for a teacher as a mediator. Keywords: deep learning música solfeo multimodalidad Prerequisites: IIC2233 IIC2613 Available vacancies: 2/2 Class Code Initials: IEE This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits Red generativa de ejercicios musicales para entrenamiento auditivo En esta investigación, se intentará entrenar un modelo generativo de aprendizaje profundo en base a una base de datos de ejercicios de solfeo y entrenamiento auditivo, utilizando modelos multimodales que además de partituras reciban texto. La idea es poder implementar una herramienta para el estudio personal sin la necesidad de un profesor como mediador. Keywords: deep learning música solfeo multimodalidad Prerrequisitos: IIC2233 IIC2613 Vacantes disponibles: 2/2 Siglas iniciales: IEE Tiene un método de evaluación Nota 1-7, con 10 créditos	Rodrigo Fernando Cadiz Cadiz	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
23/12/2025	Deep Learning–Based T1 and T2 3D Whole-Heart Mapping for Joint T1/T2 MRI T1 and T2 mapping are cardiac Magnetic Resonance Imaging (MRI) techniques that have been shown to provide objective information about the myocardium, enabling the assessment of cardiac diseases that cannot be diagnosed using conventional cardiac imaging. Joint T1/T2 sequence enables the acquisition of simultaneous 3D T1 and T2 mapping from 3 water volumes. Since T1 and T2 maps are now estimated in 3D, this process can be time-consuming. The goal of this project is to train a neural network to directly estimate T1 and T2 maps from a novel joint T1/T2 sequence at 0.55T, reducing processing time and improving its accuracy. Keywords: deep learning resonancia magnética Cardiovascular Prerequisites: No prerequisites Available vacancies: 7/10 Class Code Initials: IEE IBM ING PhD students who will assist in mentoring for this research opportunity: Matias Paredes This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits Mapeo 3D de todo el corazón de T1 y T2 basado en aprendizaje profundo para MRI conjunta T1/T2 El mapeo T1 y T2 son técnicas de Resonancia Magnética Cardíaca (RMC) que han demostrado proporcionar información objetiva sobre el miocardio, permitiendo la evaluación de enfermedades cardíacas que no pueden diagnosticarse mediante imágenes cardíacas convencionales. La secuencia conjunta T1/T2 permite la adquisición simultánea de mapas T1 y T2 en 3D a partir de tres volúmenes de agua. Dado que los mapas T1 y T2 se estiman ahora en 3D, este proceso puede ser lento. El objetivo de este proyecto es entrenar una red neuronal para estimar directamente los mapas T1 y T2 a partir de una nueva secuencia conjunta T1/T2 a 0,55 T, reduciendo el tiempo de procesamiento y mejorando la estimación. Keywords: deep learning resonancia magnética Cardiovascular Prerrequisitos: Sin prerrequisitos Vacantes disponibles: 7/10 Siglas iniciales: IEE IBM ING Estudiantes de doctorado que ayudarán mentoreando en esta investigación: Matias Paredes Tiene un método de evaluación Nota 1-7, con 10 créditos	Claudia Del Carmen Prieto Vásquez René Michael Botnar	Ver