Desarrollo de modelos predictivos a partir de imagen y vídeo #computerVisiona partir de señal y series temporales #timeSeriesForecastinga partir de texto #naturalLanguageProcessingbasados en la interacción entorno-agente #reinforcementLearning
CVBLab
Áreas de investigación
Inteligencia Artificial
Creación de modelos automáticos mediante técnicas de aprendizaje automático. Extracción manual de características mediante descriptores y uso de clasificadores para crear modelos predictivos. Se trabajan también aproximaciones basadas en redes neuronales profundas.
Procesado de imagen
Técnicas para la mejora de la imagen, visualización 2D-3D, segmentación de objetos, registro, análisis de texturas y clasificación se aplican sobre diferentes modalidades de imagen: imágenes 2D/3D, imágenes en profundidad o imágenes hiperespectrales.
Procesado de señal
Sobre cualquier tipo de señal unidimensional se extraen patrones característicos de los datos y se entrenan modelos automáticos de predicción y/o se llevan a cabo exhaustivos análisis estadísticos. Además, se trabajan las señales fisiológicas para dar respuesta al comportamiento humano.
Procesado de video
Algoritmos de detección y seguimiento de objetos, reconocimiento facial o análisis postural se han aplicado en videovigilancia, seguridad del transporte ferroviario, reconocimiento de patrones de comportamiento, realidad aumentada y restauración de películas antiguas.
Seleccionados
Proyectos CVBLab
Trabajamos aplicando inteligencia artificial, procesado de imagen, procesado de señal, procesado de video.
Sistema de Visión Artificial Aumentada Para la Caracterización Molecular y Morfológica del Cáncer de Piel
Elaborar un sistema de ayuda al diagnóstico basado en análisis de imagen histológica, información epigenética y datos clínicos para la detección del cáncer de piel. En particular, el objetivo es desarrollar algoritmos de machine learning para diferenciar entre melanoma y nevus, y evaluar el pronóstico de los casos de potencial maligno incierto.
La incidencia del cáncer de piel en el mundo occidental ha seguido una tendencia creciente en las últimas décadas, siendo el continente europeo el más afectado por el melanoma. La alta incidencia del cáncer de piel deriva en un aumento de la demanda del número de biopsias de piel, lo cual supone un reto logístico en los servicios de patología. Como motivación añadida, muchas de las lesiones remitidas a los departamentos de patología reportan directrices muy pobres para fundamentar la malignidad de la lesión. Esto conlleva una carga de trabajo significativa para los expertos, que tiene que emplear gran parte de su tiempo en analizar manualmente casos que finalmente resultan ser benignos (80% de los casos aproximadamente).
Entre los distintos tipos de cáncer de piel, el melanoma maligno es el más agresivo y peligroso, pues representa alrededor del 80% de las muertes asociadas al cáncer de piel. En este sentido, se hace esencial la detección precoz y el diagnóstico de la enfermedad en un estadio temprano a fin de reducir, en la medida de lo posible, las complicaciones asociadas. Sin embargo, la caracterización y diferenciación de estos tumores con respecto a otros tumores melanocíticos benignos o de potencial maligno incierto no es sencilla, ni siquiera para patólogos con experiencia. Además, dentro de las lesiones malignas, existen diferentes subtipos de melanoma con morfologías muy similares que suponen un reto para los expertos. Por esta razón, el proyecto SAMUEL pretende desarrollar herramientas de ayuda al diagnóstico que proporcionen a los patólogos una clasificación automática en diferentes subtipos de melanomas, así como una predicción del pronóstico del paciente. Para ello, se aplicarán algoritmos de inteligencia artificial sobre Whole-Slide Images (WSIs), que son las muestras de las biopsias digitalizadas en alta resolución. Además de las imágenes histológicas y de los datos clínicos del paciente, se tendrán en cuenta mecanismos moleculares que permiten la diseminación del melanoma cutáneo. En concreto, se llevarán a cabo procedimientos como la metilación del ADN y los microARNs, ya que, entre las distintas alteraciones epigenéticas existentes, se ha de mostrado que estas juegan un papel determinante en la progresión y desarrollo de los tumores melanocíticos.
En conclusión, con el proyecto SAMUEL se pretende desarrollar un sistema de ayuda al diagnóstico del cáncer de piel para diferenciar entre tumores melanocíticos malignos y benignos y para evaluar el pronóstico de los casos de potencial maligno incierto. Para ello, se llevarán a cabo algoritmos de inteligencia artificial que combinan imágenes histopatológicas, información epigenética y datos clínicos.
Interfaces Multimodales Adaptables para Ayudar a Personas con Discapacidad en Actividades Diarias
l objetivo de este proyecto es el desarrollo de una interfaz multimodal, modular y adaptable a las necesidades individuales de personas con discapacidad mediante el uso de dispositivos hombre-máquina.
El proyecto AIDE tiene la ambición de contribuir a la mejora de la interfaz que relaciona al usuario con la tecnología desarrollando y probando una revolucionaria interfaz multimodal y modular adaptable a las necesidades individuales de las personas con discapacidades. Además, se enfoca en el desarrollo de un paradigma de control compartido totalmente nuevo para dispositivos de asistencia que integra diferentes tipos de información, desde la identificación de habilidades residuales, comportamientos, estado emocional e intenciones del usuario, por un lado, y análisis del entorno y factores de contexto, por otro.
El proyecto AIDE aborda diferentes desafíos. En primer lugar, el desarrollo de una nueva interfaz multimodal para detectar comportamientos e intenciones del usuario. En segundo lugar, la implementación de un sistema compartido de control humano-máquina. En tercer lugar, el desarrollo de un sistema modular de percepción multimodal para proporcionar información y soporte a la interfaz multimodal y al control cooperativo entre humanos y máquinas. El sistema está compuesto por: Control de una interfaz cerebro-máquina (BMI) basado en la actividad cerebral EEG, interfaz de superficie EMG inalámbrica, sensores fisiológicos portátiles para monitorizar señales fisiológicas (frecuencia cardíaca, nivel de conductancia de la piel, temperatura, frecuencia respiratoria, etc.) , sistema ElectroOculográfico (EOG) portátil, módulo de seguimiento ocular para identificar el punto de visión, una cámara RGB y de profundidad (como Kinect) para reconocer y rastrear el usuario y los objetos así como también la información cinética y dinámica proporcionada por el exoesqueleto de la extremidad superior.
Existen diferentes escenarios como posibles objetivos para el sistema AIDE: tareas de bebida, tareas de comer, presionar un interruptor dual sensible, hacer higiene personal, tocar a otra persona, comunicación, control de dispositivos domésticos, entretenimiento, etc.
ONCOTIC se compone de 6 sub-proyectos donde el denominador común es el uso de tecnologías TIC para mejorar el diagnóstico, tratamiento o seguimiento de patologías oncológicas. IMFUTEC es uno de esos sub-proyectos en el que, concretamente, se busca mejorar el diagnóstico y seguimiento del cáncer de cerebro a través de una aplicación que permite obtener y analizar las sustancias moleculares que lo componen. Su objetivo es conocer de una manera objetiva y prematura el estado del tejido cerebral frente a una posible enfermedad neurológica.
El tratamiento moderno de los pacientes con cáncer implica un mejor conocimiento de aspectos tales como las alteraciones moleculares responsables de la aparición del fenotipo tumoral, la realización de diagnósticos precoces, la monitorización de la evolución de la masa tumoral en respuesta al tratamiento y la adecuación de las estrategias terapéuticas a las alteraciones moleculares. En ese contexto, IMFUTEC aborda el desarrollo de una herramienta software para el cálculo y análisis de imágenes moleculares obtenidas mediante espectroscopia por resonancia magnética (ERM) de multivoxel. Gracias a la técnica multivoxel, el clínico puede estudiar no sólo la respuesta temporal de los metabolitos del cerebro, sino también su distribución espacial, con el objetivo de conocer de un modo preciso la zona donde se encuentra el tumor.
Haciendo uso de esa herramienta, se pueden analizar e integrar, de manera interactiva, diversas señales obtenidas mediante espectroscopia de protones para, posteriormente, generar mapas de colores pertenecientes a las sustancias de las diferentes áreas anatómicas sometidas a estudio. Los resultados obtenidos de la espectroscopia pueden fusionarse con imágenes anatómicas 3D de alta resolución y, dependiendo del estudio en cuestión, con imágenes de Resonancia Magnética Funcional (RMF) y/o PET. Ello constituye un hito importante para el diagnóstico y la detección prematura de enfermedades como el alzhéimer o la esclerosis múltiple.
ONCOTIC project is composed of 6 sub-projects where the common denominator is the use of ICT technologies to improve diagnosis, treatment or monitoring of oncological pathologies. IMFUTEC is one of those sub-projects in which, specifically, it seeks to improve the diagnosis and monitoring of brain cancer through a software tool that allows to obtain and analyze the molecular substances that comprise it. Its objective is to know in an objective and premature way the state of the brain tissue in the presence of a possible neurological disease.
The current treatment of patients with cancer implies a better knowledge of aspects such as the molecular alterations responsible for tumor phenotype appearance, the ability of early diagnoses, the monitoring of tumor mass evolution in response to treatment and the adequacy of therapeutic strategies to molecular alterations. In this context, IMFUTEC approaches the development of a software tool for the analysis of molecular images obtained through multi-voxel magnetic resonance spectroscopy. Thanks to the multi-voxel technique, clinicians can study not only the temporal response of brain metabolites, but also its spatial distribution, in order to know in a precise way the area where the tumor is located.
Making use of this tool, several signals obtained by proton spectroscopy can be analyzed and integrated in an interactive way to subsequently generate color maps belonging to the substances of the different anatomical areas under study. The results obtained from the spectroscopy can be fused with high resolution 3D anatomical images and, depending on the study in question, with Functional Magnetic Resonance (FMR) and/or PET images. This is an important milestone in the diagnosis and early detection of diseases such as Alzheimer’s or multiple sclerosis.
Entidad financiadora
Centro para el Desarrollo Tecnológico Industrial (CDTI) (IDI-20101153)
El objetivo de este proyecto es el desarrollo y validación de un sistema CAD inteligente para el diseño, simulación y fabricación flexible de prótesis dentales implanto-soportadas.
MIRACLE es un proyecto que persigue el desarrollo de un sistema avanzado de diseño, simulación y fabricación flexible de prótesis dentales implanto-soportadas. Los implantes dentales se enroscan directamente sobre el hueso mandibular o maxilar, a los cuales se anclan las prótesis dentales. El diseño y fabricación de prótesis dentales es un proceso muy artesanal que presenta unos elevados costes temporales y una metodología carente, en muchos casos, de especificaciones funcionales de diseño.
Lo que se pretende en este proyecto es evaluar las características funcionales de una prótesis y de los aspectos biomecánicos de la misma en aras de un sistema just in time, que posibilite la colocación en una única intervención de implantes y prótesis, lo que se conoce como casos de carga inmediata, y que evitan el período de cicatrización y ahorran una segunda intervención.
El sistema desarrollado en MIRACLE es un sistema CAD/CAM que permite probar las características funcionales de las prótesis dentales considerando la interacción mandibular-maxilar usando modelos virtuales, contrariamente a la mayoría de las soluciones comerciales donde esta prueba se realiza utilizando costosas réplicas anatómicas probadas con articuladores mecánicos y evaluados con pacientes. Otro objetivo de MIRACLE es desarrollar un modelo paramétrico de elementos finitos de toda la prótesis con el fin de analizar el riesgo de fracaso de los implantes dentales y las prótesis antes de su implantación quirúrgica, lo que permite un proceso de rediseño.
Entidad financiadora
Ministerio de Educación y Ciencia (DPI2007-66782-C03-01-AR07)
Mid- to Near Infrared Spectroscopy for Improved Medical Diagnostics
Aprovechar los últimos avances en tecnología fotónica para desarrollar una nueva plataforma de espectroscopía infrarroja y nuevos procesados de las señales adquiridas para la detección temprana de cáncer.
El diagnóstico final de la mayoría de tipos de cáncer lo realiza un médico experto en anatomía patológica que examina muestras tisulares o celulares sospechosas extraídas del paciente con un microscopio óptico tradicional. Actualmente, esta evaluación tediosa y subjetiva depende de la experiencia del médico y da lugar a altos niveles de discordancia entre diferentes patólogos, especialmente en las primeras etapas de desarrollo del cáncer.
En los últimos años la espectroscopia infrarroja (IR) ha demostrado un gran potencial para abrir un nuevo capítulo en el campo de la imagen biomédica. El IR medio es capaz de excitar los modos de vibración de las biomoléculas más relevantes y las señales adquiridas informan sobre la composición química de la muestra. Por lo tanto, esta técnica de imagen emergente alberga un alto potencial para realizar diagnósticos patológicos objetivos y mejorar la detección y la evaluación del riesgo del paciente en el cribado y vigilancia de cáncer.
Hasta la fecha, la falta de fuentes, detectores y componentes adecuados en el IR medio han restringido esta tecnología a un interés únicamente académico. El proyecto MINERVA persigue varios objetivos en paralelo, desde el desarrollo de nueva instrumentación IR, como láseres, moduladores acusto-ópticos, fuentes supercontinuas y detectores en el rango IR medio, hasta la exploración del rendimiento y las limitaciones de la tecnología espectroscópica IR actual en la identificación temprana de cáncer.
El grupo CVBLab colabora en la exploración e implementación de nuevas técnicas matemáticas y computacionales de los campos interrelacionados de Tratamiento Digital de Imágenes, Visión Artificial, Aprendizaje Automático, Reconocimiento de Patrones y Análisis Multivariante para la adquisición, procesamiento y análisis de los espectros biomoleculares procedentes de imágenes hiperespectrales IR captadas de células y tejidos biológicos.
Sistema de Navegación Mediante Realidad Virtual para Cirugía Laparoscópica
Implementación de un sistema de realidad aumentada para la asistencia en cirugía abdominal y desarrollo de un modelo biomecánico de hígado que permita la navegación intra-operatoria durante la cirugía laparoscópica.
NaRALAp busca desarrollar un sistema de navegación con laparoscopia fundamentado en dos pilares: la realidad virtual/aumentada y un modelo biomecánico del hígado. Su objetivo es avanzar en la creación de tecnología que permita la realización de intervenciones laparoscópicas más seguras y acordes con la planificación preoperatoria.
En las operaciones de cirugía abdominal mínimamente invasivas, laparoscopias, es de gran importancia el emplazamiento preciso de las incisiones por donde se va a introducir el instrumental durante la intervención (trocares) para que la cirugía sea efectiva. En ocasiones, cuando la operación es complicada, determinar la posición exacta donde hacer las incisiones es una tarea difícil incluso para cirujanos muy experimentados. Para determinar dicho emplazamiento, el cirujano se guía mediante palpación y la visualización 2D de las estructuras anatómicas y patológicas del paciente obtenidas a partir de las imágenes preoperatorias de TAC o Resonancia Magnética (RM).
En este proyecto se hace de uso de la realidad aumentada (RA) para facilitar la colocación de los trocares. Para ello, se crea un modelo 3D de los órganos abdominales del paciente extraído a partir de los estudios anatómicos preoperatorios. Posteriormente, dicho modelo se proyecta sobre el paciente en la mesa de operaciones aportando información adicional al cirujano para decidir el lugar más indicado donde llevar a cabo las incisiones.
El sistema resultante del proyecto fue validado en un entorno real obteniendo resultados prometedores y demostrando que un sistema de realidad aumentada puede aportar mejoras al cirujano en el emplazamiento de los trocares en cirugía con laparoscopia.
Entidad financiadora
Ministerio de Industria, Turismo y Comercio a través del sub-programa AVANZA (TSI-020100-2009-189)
Modelos predictivos a partir de imagen y vídeo #computerVisiona partir de señal y series temporales #timeSeriesForecastinga partir de texto #naturalLanguageProcessingbasados en la interacción entorno-agente #reinforcementLearning
Inteligencia artificial para el diagnóstico histopatológico de neoplasias cutáneas de células fusiformes
Desarrollar un sistema de ayuda al diagnóstico basado en inteligencia artificial para la detección de melanoma de células fusiformes y cáncer de piel no melanoma.
El cáncer de piel representa el grupo más común de neoplasias malignas en la población blanca. La tasa de incidencia del cáncer de piel, melanoma y no melanoma, está aumentando en todo el mundo. De hecho, en la actualidad, uno de cada tres cánceres diagnosticados es cáncer de piel. Entre los cánceres de piel más frecuentes destacan las lesiones cutáneas compuestas predominantemente de células fusiformes, un grupo heterogéneo de tumores cutáneos que van desde benignos hasta malignos. Su diagnóstico se le lleva a cabo mediante el análisis de muestras biopsiadas por parte de los patólogos. Sin embargo, las neoplasias cutáneas de células fusiformes son difíciles de diagnosticar debido a la considerable superposición morfológica entre los diferentes tipos de tumores que componen este grupo, lo que plantea especialmente un problema para los patólogos menos experimentados. Este hecho dificulta un diagnóstico certero y la aplicación de un tratamiento clínico eficaz en neoplasias en las que la detección precoz y el tratamiento adecuado son fundamentales para un buen pronóstico en los casos malignos. Por esta razón, AI4SKIN nace como un proyecto cuyo principal objetivo es diseñar y desarrollar un sistema de ayuda al diagnóstico que permita clasificar de forma automática las muestras biopsiadas procedentes de las 7 neoplasias de células fusiformes más comunes: leiomioma, dermatofibroma, fibroxantoma atípico (AFX), leiomiosarcoma, dermatofibrosarcoma protuberante (DFSP), carcinoma de células escamosas y melanoma de células fusiformes. De esta forma, sería posible ayudar a los patólogos a mejorar en términos de tiempo y eficacia, así como a reducir el nivel de discordancia que existe entre ellos cuando intentan clasificar una determinada muestra.
El grupo CVBLab cuenta con ingenieros biomédicos y de telecomunicaciones que trabajan en la implementación de técnicas computacionales basadas en Machine Learning y Deep Learning aplicadas a imágenes biomédicas, con la finalidad de encontrar características y patrones que permitan determinar de forma automática no solo si el paciente tiene una neoplasia maligna, sino también de que tipo.
Agencia
Ministerio de Economía, Industria y Competitividad (PID2019-105142RB-C21)
CLARIFY propone crear una infraestructura de investigación basada en inteligencia artificial y algoritmos de datos orientados a la nube que faciliten la interpretación y el diagnóstico en base a WSI en todas partes a través de herramientas novedosas así como un cambio de paradigma en el campo de la patología con el objetivo de maximizar los beneficios de la patología digital y ayudar a los patólogos en su trabajo diario.
La patología se considera suficientemente como madura para la innovación en términos de eficiencia del flujo de trabajo y diagnósticos más precisos. De hecho, el crecimiento del mercado estimado para los sistemas de patología digital es enorme, con el pronóstico de alcanzar 143 millones de dólares en 2019 en la UE y 205 millones de dólares en los Estados Unidos. A pesar de este aumento en las ventas, la patología diagnóstica en la práctica actual sigue siendo un proceso lento y engorroso que se basa en gran medida en la interpretación subjetiva de una imagen microscópica por un patólogo cualificado. Esto impone una limitación, incluso más sustancial en los departamentos de patología pequeños donde los patólogos podrían no estar especializados en áreas particulares.
CLARIFY aborda el desafío de mejorar el flujo de trabajo de los departamentos de patología optimizando los procesos actuales de diagnóstico y monitorización. Con este propósito, el objetivo científico de CLARIFY es desarrollar un entorno robusto de diagnóstico digital automatizado basado en tecnologías como: el procesamiento de imágenes digitales, la inteligencia artificial, la computación en la nube, blockchain, etc. para mejorar el intercambio de conocimientos y tomar decisiones mejor documentadas.
Para lograrlo, CLARIFY tiene como objetivo ofrecer un programa de investigación y capacitación innovador, multinacional, multisectorial y multidisciplinario que vincule dos especialidades altamente diferenciadas: ingeniería y medicina, con un enfoque en patología digital. Los socios del consorcio de CLARIFY reúnen a personal científico relevante de la academia, la industria y la medicina, que participaran en un programa de capacitación personalizado de alto nivel que garantizará a las ESR y los futuros estudiantes de doctorado oportunidades de carrera sobresalientes. CLARIFY difundirá los resultados a un amplio espectro de partes interesadas, creará conciencia entre el público en general sobre la patología digital y fomentará las carreras relacionadas con este campo entre los jóvenes estudiantes.
Glaucoma – Advanced, Label-Free High Resolution Automated OCT Diagnostics
GALAHAD tiene como objetivo mejorar la resolución axial de la tomografía de coherencia óptica (OCT) y explorar las aplicaciones de OCTs sensibles a la polarización con el fin de desarrollar un sistema de detección temprana del glaucoma.
El proyecto GALAHAD se centra en mejorar los sistemas de diagnóstico actuales del glaucoma. El glaucoma es una importante causa de ceguera relacionada con la edad. Esta enfermedad ocular se caracteriza por un daño irreversible en la cabeza del nervio óptico causado por el aumento de la presión intraocular. El cribado actual y el diagnóstico básico de la enfermedad implican la medición de la presión intraocular, pruebas de campo visual y la detección de daño estructural a la cabeza del nervio óptico y de la capa de fibras nerviosas retinianas. Los presentes métodos tienen altas tasas de falsos positivos o falsos negativos ya que el análisis en profundidad del daño de la cabeza del nervio óptico no es posible debido a la mala resolución de las tecnologías ópticas disponibles. Un candidato principal es la tomografía de coherencia óptica (OCT), pero la resolución axial requerida es de ~ 1 μm, mucho más allá de la resolución de 3-5 μm de los sistemas comerciales.
GALAHAD tiene como objetivo el desarrollo de un sistema de diagnóstico de OCT de alta resolución compacto y fácil de usar. El sistema multibanda y multimodal utiliza OCT submicrométrica de ultra alta resolución sensible a la polarización (UHR PS OCT). Sus principales elementos innovadores son: (i) Una revolucionaria fuente de luz supercontinua multibanda de bajo coste. (ii) Componentes fotónicos innovadores y de gran ancho de banda requeridos para explotar dicha fuente. (iii) Algoritmos automatizados para el cribado del glaucoma: utilizando la evaluación del usuario final de modelos celulares/animales y muestras de tejido, se desarrollan, entrenan y prueban algoritmos automatizados para que operadores no expertos puedan realizar el cribado de la enfermedad. El diagnóstico profundo del glaucoma con GALAHAD después de una detección positiva con métodos convencionales puede reducir drásticamente los falsos positivos y falsos negativos y disminuir el número de pacientes que sufren de discapacidad relacionada con el glaucoma. El proyecto está impulsado por las principales compañías y fabricantes de sistemas OCT y validado por oftalmólogos clínicos y experimentales de alto rango en sus entornos clínicos.
Investigación de biomarcadores no invasivos para la predicción de la supervivencia ovocitaria a la vitrificación
El objetivo principal del presente proyecto es identificar biomarcadores en medio de cultivo de ovocitos, líquido folicular y datos de imagen obtenidas mediante tecnología time-lapse que permitan determinar la supervivencia de los ovocitos a la vitrificación y desvitrificación.
En los últimos años se ha producido un aumento de las pacientes que acuden a la clínica para preservar la fertilidad, ya sea por motivos sociales, médicos u otros. Además, la donación de óvulos ya es una práctica habitual en las clínicas de reproducción asistida. La técnica escogida para congelar estos óvulos es la vitrificación.
La vitrificación se define como el fenómeno físico que tiene lugar cuando una solución altamente concentrada en solutos se somete a bajas temperaturas empleando velocidades de enfriamiento muy altas. Su aplicación en la conservación de ovocitos se traduce en la adición de una elevada concentración de agentes crioprotectores (los cuales reemplazan una gran parte del agua intracelular), junto con la inmersión directa del ovocito en nitrógeno líquido. De esta forma, el ooplasma adquiere una consistencia viscosa de estructura vítrea, lo que evita en gran medida efectos perjudiciales para el ovocito como la deshidratación y la formación de cristales de hielo en su interior.
Los bancos de ovocitos han demostrado su eficacia en la donación de ovocitos. La vitrificación es el método de elección para la criopreservación de ovocitos y embrionesy actualmente la donación de ovocitos vitrificados es una práctica habitual en muchos centros de reproducción asistida por todo el mundo.
A pesar de ello, la criopreservación puede tener un impacto negativo sobre el ovocito debido a los cambios bruscos de temperatura y de fase que se producen en el ovocito y al estrés osmótico y la toxicidad provocada por los crioprotectores. Hay estudios que demuestran que los ovocitos que sobreviven a la vitrificación son funcionalmente equivalentes a sus homólogos en fresco en términos de fecundación, desarrollo y potencial de implantación. Sin embargo, la crio-lesión de los ovocitos por causas químicas, mecánicas y térmicas sigue siendo un problema.
Actualmente, las tasas de supervivencia de los ovocitos son muy altas, de forma que cuando no se alcanza el 50% de supervivencia ovocitaria se considera un fallo de supervivencia (FSV). En algunos casos, hay pacientes que presentan fallos repetidos de supervivencia.
Predecir estos casos sería de gran importancia para estas pacientes, ya que se podría asesorar personalmente a la paciente y aconsejarle realizar otro ciclo de estimulación si se predijera una baja supervivencia en el primero. Además, en el caso de las donantes, predecir aquellas cuyos ovocitos van a presentar un FSV podría abaratar costes a la clínica al poder rechazar su donación previamente a la vitrificación. Una forma de realizar esto sería analizando la metabolómica de los ovocitos de los ovocitos previo a la vitrificación y analizando la calidad de cada ovocito empleando técnicas de IA.
En las clínicas de reproducción asistida se realizan estudios de la calidad seminal mediante seminogramas y de la calidad embrionaria por TimeLapse. Sin embargo, actualmente en las clínicas no se da información de la calidad de los ovocitos individualmente, existen marcadores de la reserva ovárica de la mujer y se puede estudiar el grado de maduración de los ovocitos, pero por ahora no se puede estudiar su calidad de manera objetiva.
La valoración de la calidad ovocitaria al inicio del ciclo podría aportar información personalizada para cada paciente, predecir las probabilidades de supervivencia a la vitrificación, el ratio de fecundaciones y las probabilidades de llegar al estadío de blastocisto. Y de este modo, se podría incluso ofrecer una evaluación ovocitaria a todos los pacientes de forma rutinaria o como un valor añadido y ayudar a planificar el tratamiento de cada paciente de forma personalizada.
Por estas razones, con este proyecto se quiere proponer la identificación de biomarcadores en el metabolismo de los ovocitos, en la composición del líquido folicular y con marcadores morfológicos analizados por TimeLapse para relacionarlos con sus probabilidades de supervivencia a la vitrificación. Posteriormente, con los biomarcadores identificados desarrollará de un nuevo algoritmo basado en tecnología de aprendizaje profundo para la evaluación automatizada de los ovocitos previo a su vitrificación, que permita el asesoramiento personalizado de las pacientes.
Entidad financiadora
AVI- Generalitat valenciana- Financiado por la unión europea
Servicios de inspección no destructiva para manufactura cero mejorada digitalmente
ZDZW propone combinar técnicas de inspección no destructiva y analítica de datos para mejorar el proceso de producción industrial. De hecho, como lo indica su nombre, ZDZW se compromete a fomentar las soluciones cero defectos (zero defects, ZD) y cero residuos (zero waste, ZW).
Actualmente, la mayoría de los métodos de control de calidad utilizados para medir la calidad de los procesos de producción aún está basada en técnicas destructivas, lo que genera cantidades considerables de residuos y reduce la productividad. Este tipo de inspección conlleva etapas de retrabajo que requieren mucho tiempo y reparaciones de defectos costosas, llevando al rechazo de lotes enteros en algunos casos. Para hacer frente a estas limitaciones y reducir la cantidad de residuos generados durante el proceso de producción y control de calidad, se han propuesto técnicas de inspección no destructiva (non-destructive inspection, NDI). Sin embargo, el estado actual de dichas tecnologías todavía implica varias limitaciones como su alto coste de adquisición y la complejidad de su integración técnica y digital.
Para resolver estos problemas y conseguir un proceso de producción sostenible y sin defectos, ZDZW propone desarrollar tecnologías de inspección avanzadas que sean compatibles con los procesos de fabricación habilitados digitalmente. En concreto, ZDZW utilizará técnicas avanzadas de inteligencia artificial para mejorar el proceso de producción, centrándose principalmente en la optimización del control y monitorización de calidad de los productos.
En líneas generales, ZDZW proporcionará servicios de inspección no destructiva habilitados digitalmente, centrados en tres tipos de inspecciones: la integridad del producto, las propiedades visuales y la monitorización de procesos térmicos. Estos servicios se aplicarán directamente a cinco sectores industriales diferentes.
Human Aircraft Roadmap for Virtual Intelligent System
Llevar a cabo un estado del arte de algoritmos de computación cognitiva.
Identificar escenarios realistas en los que un asistente digital pueda traer beneficios en las operaciones de vuelo.
Determinar las deficiencias o riesgos relacionados que podrían evitar que esta tecnología se aplique con éxito en la vida real.
Demostrar el concepto de asistencia digital en escenarios realistas y definir guias para su adopción.
Los movimientos aéreos están aumentando de una forma significativa en Europa. La automatización de la navegación aérea hace que el manejo de tráfico aéreo se convierta en una tarea cada vez más compleja.
El impacto en el piloto es inevitable ya que cada vez tienen más información que manejar y nuevas tareas que realizar. Por todo ello, se espera un aumento en la automatización, con miras de ayudar a los pilotos y así evitar los picos de trabajo.
La sinergia hombre-máquina tiene el objetivo de ayudar a la máquina a comprender mejor a los humanos y facilitar a los humanos la colaboración y uso de la tecnología que las máquinas nos ofrecen. En la cabina de un avión, esta asociación debe llevar a los pilotos a utilizar un conjunto de nuevas tecnologías, con la capacidad de autoaprendizaje, para anticipar las necesidades y adaptarse a los estados mentales de los pilotos. La versatilidad y la resolución de problemas de los humanos se tiene que combinar con la precisión y la repetibilidad de las soluciones TIC.
En este contexto, el objetivo general del Proyecto HARVIS es identificar cómo los algoritmos de computación cognitiva, implementados en un asistente digital, podrían apoyar la toma de decisiones de pilotos en situaciones complejas. Se demostrará como una futura Inteligencia Artificial afectaría a la cabina de un avión y se entregará una hoja de ruta que proporciona orientación para su adopción en 2035+.
Métodos basados en Deep Learning para la segmentación semántica:Arecaeae, Pinus, Platanus & Celtis australis
El objetivo de este proyecto es utilizar técnicas de Deep Learning para identificar y predecir Servicios Ecosistémicos de Infraestructuras Verdes a partir de imágenes de satélite de alta resolución, centrándose específicamente en la cuenca mediterránea y en una selección estratégica de taxones vegetales: la familia Arecaceae, los géneros Pinus y Platanus, y la especie Celtis australis.
El núcleo del proyecto implica la identificación y clasificación de estos taxones vegetales mediante algoritmos avanzados de segmentación de imagen. Las técnicas de Deep Learning serán fundamentales para crear modelos matemáticos destinados a la evaluación y predicción de cuatro Servicios Ecosistémicos. Estos servicios, alineados con la clasificación CICES (Common International Classification of Ecosystem Services), incluyen la regulación atmosférica, la regulación térmica y de humedad, el control de datos de erosión y la mejora de la interacción física y vivencial con el entorno natural.
entidad financiadora
Green Urban Data, S.L. S.L. IVACE: Valencian Institute for Business Competitiveness
Sistema Para el Marcado de Regiones Tumorales en Imágenes Histológicas Gigapíxel
El objetivo principal es la valorización de los resultados de la investigación de nuevos algoritmos de inteligencia artificial para el análisis automático de imágenes histológicas (WSI) aplicados al diagnóstico de distintos tipos de cánceres, entre ellos (aunque no limitados): el cáncer de próstata, el cáncer de mama triple negativo (TNBC, de sus siglas en inglés) y el cáncer de piel.
Los últimos avances tecnológicos han supuesto un cambio drástico en las posibilidades de atención sanitaria, mejorando así las condiciones de asistencia médica. Pero los servicios de patología actuales siguen dependiendo en gran medida de la presencia de patólogos cualificados que realicen el reconocimiento de los hallazgos característicos en una sección de tejido a través de un microscopio.
La patología digital, y la innovación en este ámbito, resuelve múltiples problemas relacionados, tanto con el desarrollo de los trabajos, la calidad del servicio, así como, con el paciente (diagnóstico y seguridad).
Por lo tanto, el principal objetivo del presente proyecto es crear una plataforma web de visualización, anotación, y evaluación automática de casos histológicos que sirva de apoyo en la identificación de distintos tipos de cáncer. Esta herramienta permitirá que patólogos de todo el mundo puedan obtener una ayuda al diagnóstico en línea basada en técnicas de inteligencia artificial.
Como novedad principal, dicho sistema albergará modelos predictivos generados a partir de las técnicas más novedosas en el campo del aprendizaje profundo o deep learning. A partir de nuevas muestras histológicas digitalizadas en cualquier hospital del mundo, los modelos predictivos albergados en la nube serán reentrenados a partir de dichos casos empleando novedosas técnicas de active learning.
En SEQUOIA se desarrollará el sistema OCT de mayor resolución jamás construido, protegido del ruido mediante control OAM basado en inteligencia artificial (IA) y validado en una aplicación del mundo real: imágenes de retina.
La tomografía por coherencia óptica (OCT) es una tecnología de imagen clave, especialmente para la oftalmología, que permite obtener imágenes en 3D de alta resolución sin contacto y ha ayudado a salvar la vista de millones de personas en todo el mundo. OCT se desarrolló rápidamente desde su invención en 1991, pero se ha estancado desde que alcanzó el límite práctico de resolución axial (dz) de ~1 µm (>5 µm para la mayoría de los sistemas comerciales). Quantum OCT (QOCT) ofrece una mejora de cambio de paso ×2 en dz junto con una dispersión muy reducida. Además, al controlar el momento angular orbital (OAM), es posible proteger el sistema del ruido ambiental y brindar una mejor definición de bordes, distinción de perfiles de superficie y discriminación de objetos quirales. En SEQUOIA se desarrollará el sistema OCT de mayor resolución jamás construido, protegido del ruido mediante control OAM basado en inteligencia artificial (IA) y será validado en una aplicación del mundo real: imágenes de la retina.
Los algoritmos basados en Inteligencia Artificial a desarrollar por CVBLab se utilizarán en TUD para programar moduladores de luz espacial (SLM) con el objetivo de llevar a cabo una codificación OAM de alta dimensión y alta pureza en los haces QOCT aumentando así la resistencia al ruido y mejorando la calidad de la imagen.
El sistema final se validará en imágenes de retina, una aplicación vital del mundo real (que utiliza estándares de prueba estables de WWU). Los algoritmos de IA desarrollados (CVBLab) se emplearán para analizar automáticamente las imágenes y comparar el rendimiento con la OCT clásica.
Hacia la producción de las palas de turbina con cero defectos
TURBO tiene como objetivo combinar los avances de diferentes disciplinas para mejorar la sostenibilidad de la producción de palas de turbinas eólicas (WTB) al reducir la formación de defectos y mejorar las estrategias de reparación de compuestos y recubrimientos.
Los aerogeneradores ya forman parte de la vida cotidiana europea y son una parte esencial de la estrategia para cumplir los objetivos del Green Deal. Solo en 2019, se instalaron casi 3500 turbinas (>10000 palas). El tamaño de las palas de los aerogeneradores (WTB) está aumentando rápidamente, con nuevas palas en alta mar de más de 100 m de longitud. Sin embargo, sorprendentemente, las tecnologías utilizadas para fabricar estas palas no han cambiado significativamente desde finales de la década de 1970. Las palas de los aerogeneradores se fabrican mediante procesos de infusión y revestimiento de resina. Estos procesos son propensos a la formación de defectos y dan lugar a elevadas tasas de reutilización, desecho y reparación.
Para satisfacer la demanda mundial de energía verde sostenible, la industria eólica debe transformarse con el objetivo de ser más eficientes en cuanto a recursos. Para hacer posible la fabricación sin defectos ni residuos, la industria necesita ideas innovadoras, disruptivas y ambiciosas que generen nuevos métodos de fabricación. Los recientes avances y desarrollos de la Industria 4.0 presentan una gran oportunidad de transformación en la industria eólica. El objetivo de TURBO es permitir que las decisiones que se toman durante el proceso de fabricación reduzcan la formación de defectos y mejoren la evaluación de los mismos. De esta forma, la tasa de desechos disminuirá y los procesos de fabricación se optimizarán para reducir los residuos de producción. Por tanto, en líneas generales, TURBO se centrará en el desarrollo de algoritmos basados en el aprendizaje automático para el control de procesos durante la producción de palas de turbina.
La computación cuántica y su aplicación a industrias estratégicas
Elaborar un sistema de ayuda al diagnóstico basado en análisis de imagen histológica, información epigenética y datos clínicos para la detección del cáncer de piel. En particular, el objetivo es desarrollar algoritmos de machine learning para diferenciar entre melanoma y nevus, y evaluar el pronóstico de los casos de potencial maligno incierto.
Las tecnologías cuánticas están llamadas a jugar un papel disruptivo en los próximos años debido al impacto que tendrán en muchas áreas, y de forma muy notable en la capacidad de cálculo masivo y en las comunicaciones con encriptación segura, campos en los que según todas las previsiones marcarán una nueva época.
Parte del momento actual que vivimos en las áreas de las aplicaciones cuánticas en la industria se debe al “Quantum Manifesto”. El documento fue presentado en 2016 en la Quantum Europe Conference y el interés fue tal, que la Comisión Europea respondió con un proyecto de 10 años de duración (Flagship) y con una inversión de más de 1.000 millones de euros. El programa comenzó en 2018 y fomenta la colaboración entre los países de la Unión Europea. El principal objetivo del Flagship es la formación y apoyo a la industria europea en tecnologías cuánticas. Que se sepa definir y desarrollar tecnología para emplear la física cuántica, identificar cómo esta revolución cambiará el mundo, o en qué casos de uso se puede aplicar y en cuáles no, son algunas de las preguntas que el Flagship y la industria europea deberían poder responder gracias a este plan.
El proyecto CUCO (La computación cuántica y su aplicación a industrias estratégicas) surge como el primer gran proyecto de Computación Cuántica a nivel nacional y a nivel empresarial. CUCO está liderado por GMV, y en él participan start-ups reconocidas en el ámbito cuántico (Multiverse Computing, Qilimanjaro), así como dos de las grandes empresas españolas con departamentos de nueva creación formados para el estudio y aplicación de la computación cuántica: REPSOL y BBVA. Así mismo participan centros de investigación de primer nivel como son ICFO, CSIC, BSC, Tecnalia, UPV, y DIPC. El consorcio lo completan AMATECH y DAS como empresas referentes en el ámbito logístico y defensa/seguridad. Mediante el conocimiento adquirido en este proyecto, se estudiará si la computación cuántica mejora las prestaciones de la computación clásica en una serie de pruebas de concepto en distintos sectores estratégicos de la economía española como son: Energía, Financiero, Espacio, Defensa y Logística.
Micromecanizado a medida con rayos láser adaptados en amplitud y fase
METAMORPHA propone crear una plataforma única y ágil de micromecanizado láser de pulso ultracorto que sustituye a muchas cadenas de procesos de fabricación convencionales. Tiene el potencial de eliminar miles de procesos de producción procesos de producción perjudiciales para el medio ambiente. METAMORPHA es totalmente eléctrica y digital, no produce residuos químicos y permite nuevos procesos de procesos novedosos para la reelaboración y reparación de productos.
Los procesos de producción de microelementos se basan actualmente en una producción en cadena con diferentes etapas de fabricación. Estas etapas suelen producir los patrones requeridos en la pieza mediante procesos físicos y químicos, que se complementan entre sí. Sin embargo, esta tecnología produce una gran cantidad de residuos químicos. Para hacer frente a esta limitación, el uso de la tecnología láser ha sido una de las soluciones que ha liderado la industria europea en los últimos años. Sin embargo, es necesario mejorarla en términos de agilidad, digitalización y sostenibilidad medioambiental de la misma.
METAMORPHA aborda este desafío proponiendo una tecnología que permita un abordaje verde y digital de estos desafíos. Para ello, buscar sustituir de las cadenas de producción los procesos mecánicos y químicos por un único proceso verde totalmente digital basado en micromecanizado láser de pulso ultracorto. En concreto, la tecnología desarrollada avanza hacia procesos «correctos a la primera» con un 30% menos de consumo de recursos en comparación con la tecnología más puntera.
Para lograrlo, METAMORPHA será una tecnología basada en una combinación de dos moduladores espaciales de luz (SLM) en cascada con un escáner galvo integrado, que permiten la más sofisticada conformación y dirección digital del haz jamás desarrollada. Asimismo, constará con un control basado en fase que permite la dirección digital del haz para un ágil procesamiento procesamiento multidireccional. En este proyecto, CVBLAB desarrollará novedosos algoritmos de machine learning que automaticen la calibración de los parámetros de actuación del láser en base al material utilizado, patrón deseado, y defectos encontrados. Esta metodología estará basada en sistemas de aprendizaje continuo, capaces de adaptar los algoritmos a nuevos datos recogidos durante el uso del sistema. Finalmente, METAMORPHA será testeado en tres distintos casos de uso para la producción en cadena de productos en empresas punteras.
