INNOVACIÓN

La información de imagen es una pieza fundamental para el diagnóstico y la evaluación de terapias, así como para la investigación biomédica. Las tecnologías de imagen son cada vez más diversas y eficientes,  proporcionando información anatómica y funcional que ya no somos capaces de manejar sin herramientas de análisis.

En LAIMBIO somos expertos en el diseño de protocolos de adquisición de imagen para obtener la mejor información para un estudio determinado, y en diseño de herramientas de procesado de imagen e inteligencia artificial para obtener el máximo rendimiento de los datos.

En los últimos años las técnicas de Deep Learning están permitiendo cuantificar datos de forma muy eficiente. En LAIMBIO somos expertos en esta tecnología y hemos desarrollado aplicaciones tanto en imagen como en señal y vídeo.

RED NEURONAL PARA LA DETECCIÓN DE LA PUPILA EN ENTORNOS DEL MUNDO REAL

Los movimientos oculares pueden proporcionar biomarcadores en enfermedades neurológicas y oftalmológicas. La medida requiere normalmente tecnología específica de adqusición. En LAIMBIO hemos desarrollado una técnicas basada en Deep Learning que permite el seguimiento de la pupila en tiempo real en entornos no controlados, y ahora estamos trabajando en un sistema clínico completo de bajo coste.

 

Los conjuntos de datos I-XVII se registraron durante un experimento de conducción en carretera y durante una tarea de búsqueda en un supermercado. Los desafíos en los conjuntos de datos se relacionan con artefactos de desenfoque de movimiento, reflejos, bajo pupila contraste de en el área circundante y regiones oscuras alrededor del alumno. (Estudio completo) —> Publicaciones.

SÍNTESIS DE IMÁGENES DE TOMOGRAFÍA AXIAL A PARTIR DE RESONANCIA MAGNÉTICA

La creación de imágenes de TAC a partir de imágenes de Resonancia permite evitar el coste y la radiación para el paciente que supone adquirir una imagen de TAC real. Este método tiene aplicaciones en planificación de imagen de RM de alto campo, corrección de atenuación en PET/RM y planificación de radioterapia a partir de RM únicamente.

El primer enfoque utiliza un enfoque de segmentación multi-atlas, mediante algoritmos de registro y de fusión de etiquetas. Recientemente hemos publicado un método basado en Deep Learning, que hemos aplicado con éxito en imágenes de pelvis con cuatro secuencias de Resonancia como entrada.