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