| 14-07-2023 |
Laboratorios especulativos en realidad virtual para el prototipado y testeo de prácticas de management
La investigación se inserta en el proyecto denominado Laboratorios Especulativos; espacios de experimentación de prácticas de management en diversos escenarios futuros. Combina diseño, innovación y management, y se comenzará a explorar la pregunta: ¿Cómo las organizaciones -y sus interlocutores internos y externos- crean prácticas de management que anticipen los desafíos y las oportunidades de futuro, teniendo en cuenta un entorno especialmente incierto y cambiante? Buscamos dos estudiantes con perfiles diferentes: Uno/a trabajará en una revisión de literatura sobre la conexión entre estudios de futuro (future-making, foresight, forecast, world-building, entre otros) y prácticas de management para la construcción de requerimientos de los laboratorios especulativos. Otro/a estudiante revisará prototipos que involucran tecnologías de realidad aumentada e inteligencia artificial y trabajará en su adaptación (y eventual extensión) para la construcción de los laboratorios.
Prerequisitos:
no tiene.
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 1/2 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 29-03-2023 |
Algoritmos predictivos en la estimación de vida útil de infraestructura horizontal
Estudio de tesis de magíster requiere contar con un catastro actualizado del estado de los pavimentos de veredas en el sector del caso de estudio. Esto, identificando el tipo de pavimento (baldosa, hormigón, adoquines, adocretos, etc.), estado (bueno, regular, malo), superficie de pavimentos dañadas (m2), identificación del origen de daño (vida útil, raíces de árboles, accesos vehiculares, paso de vehículos por lugares no autorizados, etc.). También problemas en soleras (de hormigón o de piedra), tapas de cámaras, sumideros, alcorques de árboles, canaletas con rejillas para evacuación de aguas lluvias en veredas continuas, etc.). Esta IPRE servirá para identificar los sectores afectados, analizar mediante la aplicación de algoritmos de Inteligencia Artificial los tipos de daños capturados para así poder generar una predicción acerca de la vida útil de los pavimentos de vereda, para finalmente generar un background para la toma efectiva de decisiones de intervención.
Prerequisitos:
no tiene.
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 1/1 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 3/10 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 5/10 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 14-07-2023 |
Prerequisites:
None.
Evaluation method: Nota 1-7, with 1/2 available vacants |
Mentor(s): Open in the plataform |
| 29-03-2023 |
Prerequisites:
None.
Evaluation method: Nota 1-7, with 1/1 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 3/10 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 5/10 available vacants |
Mentor(s): Open in the plataform |