Oportunidades Públicas

Fecha de Creación Descripción Mentor(es) Acciones
14/01/2020

Quantification of remodeling in patients with tetralogy of Fallot

1 in 2000 kids are born with tetralogy of Fallot, a combination of 4 serious congenital heart defects. To overcome these problems, the patient undergoes a series of surgeries and the heart responds by remodeling, adapting its form and function. However, the way this adaptation occurs is not fully characterized. The goal of this study is to locally quantify the remodeling of the heart in response to these surgeries. We will magnetic resonance images and the finite element method. This research will enable the development of predictive models to help the planning and optimization of the current surgeries.

Keywords:
Prerequisites:
No prerequisites
Available vacancies:
6/10
Class Code Initials:

This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits

Cuantificación de remodelamiento en pacientes con tetralogía de Fallot

1 de cada 2000 niños nace con tetralogía de Fallot, una combinación de 4 serios defectos congénitos en el corazón. Para corregir estas deficiencias, se realizan una serie de operaciones, a las cuales el corazón responde remodelándose, adaptando su forma y función. Sin embargo, la manera en que el corazón responde no está caracterizada completamente. El objetivo de esta investigación es cuantificar localmente cómo se adapta el corazón a las sucesivas cirugías. Para esto utilizaremos imágenes de resonancia magnética y el método de elementos finitos. Esta investigación permitirá el desarrollo de modelos predictivos que ayuden a planificar y optimizar las cirugías.

Keywords:
Prerrequisitos:
Sin prerrequisitos
Vacantes disponibles:
6/10
Siglas iniciales:

Tiene un método de evaluación Nota 1-7, con 10 créditos

 		Ver
11/06/2024

Keywords:
Prerequisites:
No prerequisites
Available vacancies:
1/2
Class Code Initials:

This opportunity uses a Nota 1-7 evaluation method and is worth 20 credits

20Cdt. Sistemas de resonancia magnética de bajo costo para imágenes cerebrales

En base a prototipos open source, donde ya se cuenta con planos, lista de componentes y toda la información detallada, construir distintas partes de un MRI:
1.- Campo principal con arreglo de imanes.
2.- Amplificador de gradientes XYZ.
3.- Bobinas de gradientes XYZ.
4.- Brazo robótico para medición del campo magnético.

Para más información contactar al profesor y revisar este video para entender, solo a modo de ejemplo, el proyecto:

https://www.youtube.com/watch?v=bZz3-lmWv4I

Keywords:
Prerrequisitos:
Sin prerrequisitos
Vacantes disponibles:
1/2
Siglas iniciales:

Tiene un método de evaluación Nota 1-7, con 20 créditos

 		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:
Prerequisites:
No prerequisites
Available vacancies:
10/10
Class Code Initials:
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:
Prerrequisitos:
Sin prerrequisitos
Vacantes disponibles:
10/10
Siglas iniciales:
Estudiantes de doctorado que ayudarán mentoreando en esta investigación:
Tabita Catalán

Tiene un método de evaluación Nota 1-7, con 10 créditos

 		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:
Prerequisites:
No prerequisites
Available vacancies:
7/10
Class Code Initials:
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:
Prerrequisitos:
Sin prerrequisitos
Vacantes disponibles:
7/10
Siglas iniciales:
Estudiantes de doctorado que ayudarán mentoreando en esta investigación:
Matias Paredes

Tiene un método de evaluación Nota 1-7, con 10 créditos

 		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:
Prerequisites:
No prerequisites
Available vacancies:
4/5
Class Code Initials:
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:
Prerrequisitos:
Sin prerrequisitos
Vacantes disponibles:
4/5
Siglas iniciales:
Estudiantes de doctorado que ayudarán mentoreando en esta investigación:
Carlota Rivera

Tiene un método de evaluación Nota 1-7, con 10 créditos

 		Ver
Loading…
Loading the web debug toolbar…
Attempt #