Oportunidades Públicas

Fecha de Creación	Descripción	Mentor(es)	Acciones
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
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