Segmenta lesiones cerebrales con U-Net para una biotech de Barcelona
Visión general
De qué trata este proyecto.
Recibes 600 volúmenes TC con máscaras (90 % train, 10 % test) y metadatos básicos (edad, sexo). Entrena una U-Net 3D con patches (96³) y augmentaciones (flip, rotación, ruido gaussiano). Reporta Dice score, Hausdorff distance al 95 % y volumen relativo predicho vs ground truth. Evalúa robustez sobre 60 estudios de un tercer hospital (out-of-distribution). Éxito: Dice ≥0.78 en in-distribution, ≥0.65 en OOD, y un análisis cualitativo de 10 casos donde el modelo falla.
El Briefing
Lo que harás y lo que demostrarás.
Entrenar una U-Net 3D para segmentación de ictus con Dice ≥0.78 y demostrar robustez out-of-distribution.
Earning criteria — what you'll demonstrate
- Implementar segmentación volumétrica con U-Net 3D
- Evaluar segmentación con métricas radiológicas (Dice, Hausdorff)
- Diagnosticar domain shift entre centros hospitalarios
- Comunicar limitaciones a un equipo clínico-regulatorio
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero/a de Visión por Computador
Segmentación médica con U-Net 3D es el proyecto canónico de CV en imagen biomédica.
Este proyecto afina
- medical-image-segmentation
- u-net
- 3d-convolutional-networks
Científico/a de IA Aplicada
Demostrar generalización OOD es la barrera de aplicación crítica para imagen médica.
Este proyecto afina
- medical-imaging
- domain-shift
- medical-image-segmentation
Investigador/a de Machine Learning
Métricas radiológicas + análisis cualitativo es rigor metodológico esperado en research médica.
Este proyecto afina
- medical-image-segmentation
- domain-shift
- medical-imaging