Plugin para la automatización de capturas de imágenes médicas en 3D Slicer

A cargo de: Camila García

3D Slicer es una aplicación gratuita de código libre que permite visualizar imágenes médicas. Cuenta con herramientas para renderizar volúmenes de distintas maneras, de acuerdo a las características de las imágenes y la información que se desea mostrar. Esto resulta particularmente útil cuando se requiere hacer una comparación de los resultados que obtienen distintos métodos de procesamiento sobre un mismo volumen.
La propuesta de trabajo es la implementación de un plugin de 3D Slicer que permita automatizar el proceso de renderización de un conjunto de imágenes 3D y de adquisición de capturas comparativas.
Al finalizar el proyecto, se habrán adquirido conocimientos relacionados a la familiarización con la implementación de un proyecto pre-existente para la adición de funcionalidades y el manejo de volúmenes tridimensionales de imágenes médicas.

Deep learning para la segmentación de imágenes médicas

A cargo de: Camila García

Las técnicas de deep learning (inteligencia artificial) están siendo cada vez más exploradas para el procesamiento de imágenes médicas. Particularmente, la segmentación de volúmenes 3D de vasos sanguíneos mediante redes como la UNet aún se encuentra en estudio. Su uso en el área presenta desafíos específicos: éticos (por el manejo de información sensible) y técnicos (por la escasez de datos y la falta de etiquetas). Para abordar adecuadamente esta tarea, se requiere un ajuste preciso de los hiperparámetros de los modelos y la determinación de métodos de evaluación que se correspondan con el objetivo.
En este trabajo se propone realizar una serie de experimentos que permitan obtener un modelo de segmentación óptimo para vasculatura cerebral. También cuenta con la posibilidad de presentarse en el marco de una beca de iniciación a la investigación (EVC-CIN).
Al finalizar el proyecto, se habrán adquirido conocimientos sobre deep learning, procesamiento de imágenes médicas y bibliotecas específicas de inteligencia artificial sobre python.

Modelos generativos de aprendizaje antagónico para la traducción de imagen a imagen aplicado a tomografías computarizadas y ecografías

A cargo de: Santiago Vitale

SIMECO es un simulador de ecografias que genera imagenes de ultrasonido falsas a partir de una tomografia computarizada (TC) en 2 pasos. Primero genera una imagen intermedia poco realista con un modelado fisico de la onda de ultrasonido con ray-casting y un segundo paso donde aplicamos inteligencia artificial para mejorar el realismo de la imagen intermedia.
La propuesta de trabajo es reemplazar el modelo actual de trazado de rayos por un red generativa antagónica o generative adversarial network (GAN) que aprenda a hacer una traducción de imagen de TC a ecografía.
Al finalizar el proyecto, habrás trabajado con una de las herramientas tendencia del 2022 en machine leraning. También se habrán adquirido conocimientos sobre deep learning en general, el uso bibliotecas específicas de inteligencia artificial sobre Python y procesamiento de imágenes médicas.