Oferta para realización de tesis de grado Tomografía Optoacústica

51 views
Skip to first unread message

lrey...@gmail.com

unread,
Dec 16, 2021, 8:50:02 AM12/16/21
to ComElec
Hola a todos,

Les adjunto tres posibles temas de trabajo para tesis de grado en la temática de reconstrucción de imágenes optoacústicas. Aquéllos que puedan estar interesados se pueden contactar con

Dr. Matías Vera (mv...@fi.uba.ar)
Dr. Martín González (mgg...@fi.uba.ar)
Dr. Leonardo Rey Vega (lr...@fi.uba.ar)

Plan 1:

Estudio de redes generativas de confrontación condicionales y su aplicación a tomografía optoacústica 2-D


Objetivo:

La tomografía optoacústica (TOA) es una técnica relativamente novedosa que provee imágenes de tejidos biológicos con alta resolución, de forma no invasiva y sin recurrir a radiación ionizante. Este enfoque consiste en la resolución de un problema inverso en donde se generan ondas acústicas con pulsos de luz que son medidas por sensores de ultrasonido ubicados en múltiples locaciones alrededor de la muestra. Recientemente se ha estado investigando el uso de  redes neuronales profundas para obtener imágenes a partir de las presiones medidas. Entre muchas, se encuentran las redes generativas de confrontación (GAN por sus siglas en inglés). Éstos son sistemas de aprendizaje automático que pueden aprender a imitar una distribución determinada de datos. Las GAN consisten en dos redes neuronales, una entrenada para generar datos y la otra entrenada para distinguir datos falsos de datos reales (de ahí la naturaleza "contradictoria" del modelo).  La GAN típica genera datos a partir de valores aleatorios. Sin embargo, también es posible usar estos sistemas para reducción de artefactos en imágenes. Estas son las llamadas GAN condicionales o CGAN. En TOA existen una gran variedad de enfoques para reconstrucción de imágenes que no están basados en redes neuronales. Sin embargo, ante la presencia de artefactos en la mediciones, su rendimiento se ve seriamente afectado. En este sentido, es necesario un pre-procesamiento de los datos. En este trabajo se propone el estudio y diseño de esquemas generativos para reducir o eliminar los artefactos de sinogramas provenientes de sistemas para TOA 2-D. 


Tareas:

Las tareas a  realizar pueden resumirse de la siguiente manera:

  1. Búsqueda bibliografía básica de aprendizaje profundo y su aplicación a resolución de problemas inversos.

  2. Estudio y comprensión de la problemática de tomografía optoacústica y de los principales enfoques de reconstrucción de imágenes clásicos: retroproyección y método matricial.

  3. Estudio de GAN condicionales para la reducción de artefactos en los sinogramas medidos.

  4. Implementación en PyTorch o Tensoflow.

  5. Aplicación en mediciones reales provenientes de un sistema para TOA 2-D. 

  6. Análisis y comparación de resultados. 

  7. Escritura de la tesis


Plan 2:

Estudio de redes transformers y su aplicación a tomografía optoacústica 2-D


Objetivo:

La tomografía optoacústica (TOA) es una técnica relativamente novedosa que provee imágenes de tejidos biológicos con alta resolución, de forma no invasiva y sin recurrir a radiación ionizante. Este enfoque consiste en la resolución de un problema inverso en donde se generan ondas acústicas con pulsos de luz que son medidas por sensores de ultrasonido ubicados en múltiples locaciones alrededor de la muestra. Por otro lado, recientemente, en tareas de reconocimiento de imágenes y video, las arquitecturas de redes denominadas transformer han comenzado a competir con las estructuras clásicas basadas en redes convolucionales (CNN). En particular, Vision Transformers (ViTs), que interpreta una imagen como una secuencia de tokens (análogos a las palabras en lenguaje natural), ha logrado una precisión de clasificación comparable a los esquemas clásicos con un requerimiento computacional considerablemente menor. Las ViTs, junto con sus variantes, aunque todavía están en su infancia, han demostrado ventajas prometedoras en el modelado de dependencias contextuales no locales, así como una excelente eficiencia y escalabilidad. En este sentido, se propone el estudio y diseño de redes transformers para reducir o eliminar los artefactos de sinogramas provenientes de sistemas para TOA 2-D. 


Tareas:

Las tareas a  realizar pueden resumirse de la siguiente manera:

  1. Búsqueda bibliografía básica de aprendizaje profundo y su aplicación a resolución de problemas inversos.

  2. Estudio y comprensión de la problemática de tomografía optoacústica y de los principales enfoques de reconstrucción de imágenes clásicos: retroproyección y método matricial.

  3. Estudio de transformers para la reducción de artefactos en los sinogramas medidos.

  4. Implementación en PyTorch o Tensoflow.

  5. Aplicación en mediciones reales provenientes de un sistema para TOA 2-D. 

  6. Análisis y comparación de resultados. 

  7. Escritura de la tesis


Plan 3:

Estudio de técnicas de aumentación de modelos y correcciones para tomografía optoacústica


Objetivo: 


La tomografía optoacústica (TOA) es una técnica relativamente novedosa que provee imágenes de tejidos biológicos con alta resolución, de forma no invasiva y sin recurrir a radiación ionizante. Este enfoque consiste en la resolución de un problema inverso en donde se generan ondas acústicas con pulsos de luz que son medidas por sensores de ultrasonido ubicados en múltiples locaciones alrededor de la muestra. Si bien muchas veces se asume que ciertos parámetros como la velocidad del sonido en la muestra son conocidos (y homogéneos) esto en general no es cierto. Asimismo se supone que  el medio de la muestra no presenta atenuaciones o pérdidas. Con respecto al setup experimental, el sistema de sensado se asume perfectamente conocido y con comportamiento ideal (ej: se encuentra perfectamente adaptado en términos acústicos, posiciones de sensores perfectamente conocidas, etc.). El objetivo de este plan es estudiar esquemas de DL que permitan incluir en el problema de reconstrucción de las imágenes optoacústicos la problemática referida al desconocimiento de los parámetros que típicamente se asumen conocidos. Se espera que la red sea capaz de adaptarse a estas situaciones y entregue resultados fiables sin necesidad de las hipótesis simplificativas que típicamente se consideran. En forma paralela, se espera también generar modelos DL, especialmente entrenados, que permitan introducir correcciones a los efectos debidos a las incertezas del sistema de medición.



Tareas:

Las tareas a  realizar pueden resumirse de la siguiente manera:

  1. Búsqueda bibliografía básica de aprendizaje profundo y su aplicación a resolución de problemas inversos.

  2. Estudio y comprensión de la problemática de tomografía optoacústica y de los principales enfoques de reconstrucción de imágenes clásicos: retroproyección y método matricial.

  3. Estudio del problema de tomografía optoacústica con la presencia de desconocimiento de parámetros del modelo e incertezas en el sistema de medición.

  4. Estudio de arquitecturas de DL para considerar las problemáticas del punto 3.

  5. Implementación y testeo de las soluciones

  6. Escritura de la tesis.


Saludos



Reply all
Reply to author
Forward
0 new messages