GCCAPPITécnicas avanzadas de generación y procesamiento de imágenes TC de baja dosis utilizando HPC e IA
Tècniques avançades de generació i processament d'imatges TC de baixa dosi utilitzant HPC i IA
Advanced Techniques for Low-Dose CT Image Generation and Processing Using HPC and AI
(ATomo-HPAI)
El objetivo principal de este proyecto es el desarrollo de nuevos métodos de reconstrucción de tomografía computarizada (TC) que mejoren la calidad de la imagen obtenida y, al mismo tiempo, reduzcan la dosis de radiación y minimicen el tiempo de cálculo necesario para generar las imágenes de TC. Mediante el uso de la computación de alto rendimiento, la inteligencia artificial y las técnicas «out-of-core», el proyecto pretende abordar los retos actuales que plantea el procesamiento de datos de sinogramas a gran escala.
Además, el proyecto tiene como objetivo mejorar la precisión, la eficiencia y la escalabilidad de las reconstrucciones por TC, lo que permitirá obtener imágenes de alta calidad incluso en entornos con recursos limitados. Además, se evaluará la viabilidad de aplicar los métodos de reconstrucción y procesamiento recientemente desarrollados a otras modalidades de imagen médica. Además de la tomografía computarizada, el proyecto estudiará, adaptará e implementará métodos de reconstrucción algebraica y filtros para otras modalidades de imagen, como la tomografía por emisión de positrones (PET) y la resonancia magnética (RM).
En concreto, este proyecto tiene como objetivo desarrollar algoritmos y metodologías innovadores que integren la computación de alto rendimiento (HPC) y la inteligencia artificial (IA) para superar sus complejidades inherentes, fomentando la colaboración interdisciplinaria y la generación de conocimiento en el ámbito de la imagen computacional, la IA y la tecnología médica. A través de estas iniciativas, el proyecto pretende contribuir tanto a los avances científicos como al desarrollo de herramientas prácticas con importantes aplicaciones en el ámbito sanitario y en el de la imagen industrial.
El equipo de investigación que lleva a cabo este proyecto cuenta con una sólida base en computación de alto rendimiento e imagen médica, respaldada por más de una década de trabajo colaborativo. Con sede en la Universitat Politècnica de València, la Universitat Jaume I y la Universidad de Alicante, el grupo ha abordado retos relacionados con la eficiencia computacional, el filtrado de imágenes médicas y la reconstrucción de imágenes médicas.
Los trabajos previos del grupo en este ámbito han supuesto importantes contribuciones, como el método iterativo LSQR y la factorización QR directa para la reconstrucción de imágenes de TC. Estos métodos han demostrado una alta eficiencia y calidad en entornos simulados. Proyectos de investigación anteriores, entre ellos «RTI2018-098156-B-C54: Técnicas para la Aceleración y Mejora de Aplicaciones Multimedia y HPC» y «TED2021-131091B-I00: Procesamiento digital de imágenes CT mediante técnicas de HPC e IA», sentaron las bases de esta propuesta, permitiendo innovaciones como las reconstrucciones aceleradas por GPU basadas en técnicas de filtrado difuso y el uso de técnicas fuera de núcleo para gestionar conjuntos de datos a gran escala que superan la capacidad de la memoria. Estas contribuciones fundamentales establecen una plataforma sólida para ampliar esa investigación a aplicaciones clínicas del mundo real e integrar metodologías de IA.
La financiación del proyecto ha sido proporcionada por el Ministerio de Ciencia e Innovación y la Agencia Estatal de Investigación como ayuda a «Proyectos de Generación de Conocimiento», y por la Unión Europea NextGenerationEU/PRTR. Referencia del proyecto: PID2024-160404OB-I00
L'objectiu principal d'este projecte és el desenrotllament de nous mètodes de reconstrucció de tomografia computada (TC) que milloren la qualitat de la imatge obtinguda i, al mateix temps, reduïsquen la dosi de radiació i minimitzen el temps de càlcul necessari per a generar les imatges de TC. Mitjançant l'ús de la computació d'alt rendiment, la intel·ligència artificial i les tècniques «out-of-core», el projecte pretén abordar els reptes actuals que planteja el processament de dades de sinogramas a gran escala.
A més, el projecte té com a objectiu millorar la precisió, l'eficiència i l'escalabilitat de les reconstruccions per TC, la qual cosa permetrà obtindre imatges d'alta qualitat fins i tot en entorns amb recursos limitats. A més, s'avaluarà la viabilitat d'aplicar els mètodes de reconstrucció i processament recentment desenrotllats a altres modalitats d'imatge mèdica. A més de la tomografia computada, el projecte estudiarà, adaptarà i implementarà mètodes de reconstrucció algebraica i filtres per a altres modalitats d'imatge, com la tomografia per emissió de positrons (PET) i la ressonància magnètica (RM).
En concret, este projecte té com a objectiu desenrotllar algorismes i metodologies innovadors que integren la computació d'alt rendiment (HPC) i la intel·ligència artificial (IA) per a superar les seues complexitats inherents, fomentant la col·laboració interdisciplinària i la generació de coneixement en l'àmbit de la imatge computacional, la IA i la tecnologia mèdica. A través d'estes iniciatives, el projecte pretén contribuir tant als avanços científics com al desenrotllament de ferramentes pràctiques amb importants aplicacions en l'àmbit sanitari i en el de la imatge industrial.
L'equip d'investigació que duu a terme este projecte compta amb una sòlida base en computació d'alt rendiment i imatge mèdica, recolzada per més d'una dècada de treball col·laboratiu. Amb seu a la Universitat Politècnica de València, la Universitat Jaume I i la Universitat d'Alacant, el grup ha abordat reptes relacionats amb l'eficiència computacional, el filtrat d'imatges mèdiques i la reconstrucció d'imatges mèdiques.
Els treballs previs del grup en este àmbit han suposat importants contribucions, com el mètode iteratiu LSQR i la factorització QR directa per a la reconstrucció d'imatges de TC. Estos mètodes han demostrat una alta eficiència i qualitat en entorns simulats. Projectes d'investigació anteriors, entre ells «RTI2018-098156-B-C54: Tècniques per a l'Acceleració i Millora d'Aplicacions Multimèdia i HPC» i «TED2021-131091B-I00: Processament digital d'imatges CT mitjançant tècniques d'HPC i IA», van establir les bases d'esta proposta, permetent innovacions com les reconstruccions accelerades per GPU basades en tècniques de filtrat difús i l'ús de tècniques fora de nucli per a gestionar conjunts de dades a gran escala que superen la capacitat de la memòria. Estes contribucions fonamentals establixen una plataforma sòlida per a ampliar eixa investigació a aplicacions clíniques del món real i integrar metodologies d'IA.
El finançament del projecte ha sigut proporcionada pel Ministeri de Ciència i Innovació i l'Agència Estatal d'Investigació com a ajuda a «Projectes de Generació de Coneixement», i per la Unió Europea NextGenerationEU/PRTR. Referència del projecte: PID2024-160404OB-I00
The primary objective of this project is the development of new CT reconstruction methods that enhance the image quality obtained while simultaneously reducing the radiation dose and minimizing the computational time required to generate the CT images. By leveraging high-performance computing, artificial intelligence, and out-of-core techniques, the project aims to address the current challenges of processing large-scale sinogram data.
Furthermore, it seeks to improve the accuracy, efficiency, and scalability of CT reconstructions, enabling high-quality imaging even in resource-constrained environments. In addition, the feasibility of applying the newly developed reconstruction and processing methods to other medical imaging modalities will be assessed. In addition to CT imaging, the project will study, adapt, and implement algebraic reconstruction methods and filters for other imaging modalities, such as Positron-Emission Tomography (PET) and Magnetic-Resonance Imaging (MRI).
Concretely, this project aims to develop innovative algorithms and methodologies that integrate HPC and AI to overcome their inherent complexities, fostering interdisciplinary collaboration and knowledge generation in computational imaging, AI, and medical technology. Through these efforts, the project aims to contribute to both scientific advancements and the development of practical tools with significant applications in healthcare and industrial imaging.
The research team conducting this project has a strong foundation in high-performance computing and medical imaging, supported by over a decade of collaborative work. Based on Universitat Politècnica de València, Universitat Jaume I, and Universidad de Alicante, the group has been addressing challenges in computational efficiency, medical image filtering, and medical image reconstruction.
The group’s prior efforts in this area have made important contributions, such as the iterative LSQR method and the direct QR factorization for CT image reconstruction. These methods have demonstrated high efficiency and quality in simulated environments. Prior research projects, including “RTI2018-098156-B-C54: Técnicas para la Aceleración y Mejora de Aplicaciones Multimedia y HPC” and “TED2021-131091B-I00: Procesamiento digital de imágenes CT mediante técnicas de HPC e IA", laid the groundwork for this proposal, enabling innovations such as GPU-accelerated reconstructions based on fuzzy-filtering techniques, and the use of out-of-core techniques to handle large-scale datasets that exceed in-memory capacity. These foundational contributions establish a robust platform for extending that research into real-world clinical applications and integrating AI methodologies.
This project's financiation has been provided by the Ministry of Science and Innovation (MCIN) and the AEI as a grant for «Knowledge Generation Projects», and by the European Union NextGenerationEU/PRTR. Project reference: PID2024-160404OB-I00
Descarga el pdf
Descàrrega el pdf
Download the pdf
