| 03-12-2024 |
Creación y depuración de un set de entrenamiento para Deep Learning en Quantitative Susceptibility Mapping
En este proyecto se busca crear y optimizar sets de entrenamientos para resolver el problema inverso de Quantitative Susceptibility Mapping usando redes supervisadas de aprendizaje profundo.
Keywords:
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 |
| 03-12-2024 |
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
Prerequisitos:
no tiene.
Tiene un método de evaluación Nota 1-7, con 20 créditos y tiene 3/3 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 02-12-2024 |
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
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 |
| 02-12-2024 |
Software para procesamiento de Imágenes Astronómicas
Se buscan alumnos con conocimientos (o ganas de aprender) C++ para escribir modulos de procesamiento de imágenes para el software PixInsight. Estos módulos implementaran algoritmos de procesamiento de imágenes, y deberán ser compilados para Windows y Linux usando la PixInsight Class Library.
Keywords:
Astronomia
Software
Prerequisitos:
IEE2714
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 3/5 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 02-12-2024 |
Uso y diseno de denoisers basados en Deep Learning en reconstrucciones de mapas de susceptibilidad magnetica.
Gracias a nuevos metodos basados en Deep Learning que aprenden a partir de extraer caracteristicas de los datos, estos ultimos anos se han disenado sorprendentes algoritmos para la reduccion del ruido en imagenes. Algunos de estos algoritmos se pueden utilizar en esquemas iterativos como pasos variacionales o proximales, para regularizar problemas inversos mal comportados de distinta indole. En particular, se ha mostrado en la estimacion de mapas de susceptibilidad magnetica que algoritmos como Total Deep Variation pueden obtener mejores resultados que algoritmos tradicionales basados en Variacion Total o Variacion Total Generalizada. Objetivo: Comparar el performance de distintas redes pre-entrenadas para reduccion de ruido en esquemas variacionales o proximales. La(s) red(es) con mejor performance sera(n) reentrenadas con ejemplos que muestren artefactos tipicos de reconstruccion de mapas de susceptibilidad, y se analizara la capacidad de las redes para aprender a suprimir artefactos
Keywords:
deep learning
Prerequisitos:
no tiene.
Tiene un método de evaluación Nota 1-7, con 20 créditos y tiene 1/1 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 02-12-2024 |
Desarrollo algoritmo discreto de remocion de campos de fondo en Resonancia Magnética.
Para obtener las fuentes de susceptibilidad magnetica se deben eliminar primero las contribuciones de campo de fondo a la imagen adquirida con el resonador magnetico. Para obtener la magnetizacion local, primero se debe definir una region de interes por medio de una mascara. Los algoritmos de remocion de campo de fondo son sensibles a esta eleccion, debido al ruido. Este proyecto busca desarrollar un algoritmo que no necesite predefinir una region de interes y que logre hacer automaticamente una estimacion del aire y tejidos organicos, y los campos que sus interfases generan, para su uso como precondicionador de algoritmos de susceptibilidad magnetica.
Keywords:
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 |
| 03-12-2024 |
Keywords:
Prerequisites:
None.
Evaluation method: Nota 1-7, with 1/1 available vacants |
Mentor(s): Open in the plataform |
| 03-12-2024 |
Keywords:
deep learning
Prerequisites:
None.
Evaluation method: Nota 1-7, with 3/3 available vacants |
Mentor(s): Open in the plataform |
| 02-12-2024 |
Keywords:
deep learning
Prerequisites:
None.
Evaluation method: Nota 1-7, with 1/1 available vacants |
Mentor(s): Open in the plataform |
| 02-12-2024 |
Keywords:
Astronomia
Software
Prerequisites:
IEE2714
Evaluation method: Nota 1-7, with 3/5 available vacants |
Mentor(s): Open in the plataform |
| 02-12-2024 |
Keywords:
deep learning
Prerequisites:
None.
Evaluation method: Nota 1-7, with 1/1 available vacants |
Mentor(s): Open in the plataform |
| 02-12-2024 |
Keywords:
Prerequisites:
None.
Evaluation method: Nota 1-7, with 1/1 available vacants |
Mentor(s): Open in the plataform |