| 19-11-2021 |
Corrección de distorsiones off-resonance para Echo Planar Imaging
En resonancia magnética, cuando el campo no es perfectamente uniforme, condición que se conoce como off-resonance, se produce un error en la fase de la señal. Esta fase, a su vez, produce distorsiones en la imagen. Existen muchas técnicas para corregir la fase para cuando el off-resonance es débil, sin embargo, cuando el off-resonance es fuerte, la señal puede incluso desaparecer. En este proyecto, la idea es usar información de la magnitud (y no de la fase) para corregir el efecto.
Keywords:
MRI
procesamiento señal
Prerequisitos:
IEE2103
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 3/3 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 29-06-2021 |
Estimación de movimiento basada en aprendizaje profundo a partir de imágenes de resonancia magnética (MRI) de cine cardíaco
La MRI es una herramienta fundamental para el diagnóstico de enfermedades cardiovasculares. Las imágenes de cine (dinámicas) del corazón se adquieren para visualizar y cuantificar el movimiento del corazón a lo largo del ciclo cardíaco, ya que las anomalías del movimiento de la pared pueden estar relacionadas con diversas enfermedades cardíacas. Recientemente se han propuesto varios enfoques para estimar el movimiento no rígido del corazón utilizando modelos de aprendizaje profundo. Este trabajo consistirá en realizar una revisión sistemática de la literatura e implementar, comparar y/o ampliar los modelos más prometedores. Disponemos de datos clínicos que pueden utilizarse para el entrenamiento. La investigación se realiza en colaboración con el King's College de Londres.
Prerequisitos:
no tiene.
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 4/10 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 20-12-2020 |
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. La investigación se lleva a cabo en colaboración con el King's College de Londres.
Prerequisitos:
no tiene.
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 4/8 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 20-12-2020 |
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.
Prerequisitos:
no tiene.
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 7/10 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 03-07-2020 |
Adquisición y reconstrucción de imágenes de Resonancia Magnética
En este trabajo estudiaremos nuevas maneras de obtener las imágenes con resonancia magnética y diseñaremos los algoritmos de reconstrucción correspondientes. Se hará especial énfasis en imágenes obtenidas con campos inhomogeneos y de adquisición rápida.
Keywords:
MRI
Prerequisitos:
no tiene.
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 5/10 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 19-12-2019 |
Reconstrucción de imágenes incompletas
Las imágenes submuestreadas son una manera de aumentar la velocidad de adquisición para la resonancia magnética. En este proyecto estudiaremos diferentes espacios en los cuales se pueden representar los datos de manera de facilitar su reconstrucción empleando algoritmos de Compressed Sensing.
Prerequisitos:
IEE2103
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 2/3 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 19-11-2021 |
Off-resonance correction for Echo Planar Imaging
Keywords:
MRI
procesamiento señal
Prerequisites:
IEE2103
Evaluation method: Nota 1-7, with 3/3 available vacants |
Mentor(s): Open in the plataform |
| 29-06-2021 |
Deep-learning based Motion Estimation from Cardiac Cine Magnetic Resonance Imaging (MRI)
MRI is a fundamental tool for the diagnosis of cardiovascular diseases. Cine (dynamic) images of the heart are acquired to visualize and quantify the motion of the heart through the cardiac cycle, since wall motion abnormalities can be related to various cardiac diseases. Several approaches have been recently proposed to estimate the non-rigid motion of the heart using deep learning models. This work will involve performing a systematic literature review and implementing, comparing and/or extending the most promising models. We have clinical data that can be used for training, testing and validation. The research is conducted in collaboration with King's College London.
Prerequisites:
None.
Evaluation method: Nota 1-7, with 4/10 available vacants |
Mentor(s): Open in the plataform |
| 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. The research is in collaboration with King’s College London. It would be useful to know about the fundamentals of artificial intelligence.
Prerequisites:
None.
Evaluation method: Nota 1-7, with 4/8 available vacants |
Mentor(s): Open in the plataform |
| 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.
Prerequisites:
None.
Evaluation method: Nota 1-7, with 7/10 available vacants |
Mentor(s): Open in the plataform |
| 03-07-2020 |
Magnetic Resonance Imaging Acquisition and Reconstruction
Keywords:
MRI
Prerequisites:
None.
Evaluation method: Nota 1-7, with 5/10 available vacants |
Mentor(s): Open in the plataform |
| 19-12-2019 |
Evaluation method: Nota 1-7, with 0/3 available vacants |
Mentor(s): Open in the plataform |
| 19-12-2019 |
Reconstruction of incomplete images
The images submuestreadas are a way to increase the speed of acquisition for the magnetic resonance imaging. In this project we will study different spaces in which they can represent the data in a manner to facilitate its reconstruction by employing algorithms of Compressed Sensing.
Prerequisites:
IEE2103
Evaluation method: Nota 1-7, with 2/3 available vacants |
Mentor(s): Open in the plataform |
| 03-12-2018 |
Prerequisites:
None.
Evaluation method: Nota 1-7, with 0/1 available vacants |
Mentor(s): Open in the plataform |
| 30-11-2018 |
Creation of a set of training images of magnetic susceptibility
Creation of images that serve to train neural networks that can solve problems associated with the construction of maps of magnetic susceptibility from magnetic resonance images
Keywords:
MRI
Prerequisites:
None.
Evaluation method: Nota 1-7, with 0/1 available vacants |
Mentor(s): Open in the plataform |
| 01-08-2016 |
Medical signals sonification
This project seeks, through data sonificiation, to improve clinical diagnosis.
Prerequisites:
IEE2103
Evaluation method: Nota 1-7, with 0/3 available vacants |
Mentor(s): Open in the plataform |