Segmentación de tejido pulmonar cicatrizado usando machine learning para estudio de enfermedades intersticiales causadas por COVID-19
Este proyecto se enfocó en la segmentación de tejido pulmonar cicatrizado asociado al covid-19, presente en tomografías pulmonares en forma de opacidades en vidrio esmerilado (GGO). Para ello, se emplearon arquitecturas de redes neuronales convolucionales tipo U-Net, alcanzando valores en el coefici...
- Autores:
-
Sánchez Ocampo, Cristian Armando
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2024
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/74461
- Acceso en línea:
- https://hdl.handle.net/1992/74461
- Palabra clave:
- Segmentación de imagen
Redes neuronales convoluciones profundas
U-Net
Covid-19
Ingeniería
- Rights
- openAccess
- License
- Attribution-NonCommercial-ShareAlike 4.0 International
id |
UNIANDES2_105c9436389e7ccae11b1d15294b29bc |
---|---|
oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/74461 |
network_acronym_str |
UNIANDES2 |
network_name_str |
Séneca: repositorio Uniandes |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Segmentación de tejido pulmonar cicatrizado usando machine learning para estudio de enfermedades intersticiales causadas por COVID-19 |
title |
Segmentación de tejido pulmonar cicatrizado usando machine learning para estudio de enfermedades intersticiales causadas por COVID-19 |
spellingShingle |
Segmentación de tejido pulmonar cicatrizado usando machine learning para estudio de enfermedades intersticiales causadas por COVID-19 Segmentación de imagen Redes neuronales convoluciones profundas U-Net Covid-19 Ingeniería |
title_short |
Segmentación de tejido pulmonar cicatrizado usando machine learning para estudio de enfermedades intersticiales causadas por COVID-19 |
title_full |
Segmentación de tejido pulmonar cicatrizado usando machine learning para estudio de enfermedades intersticiales causadas por COVID-19 |
title_fullStr |
Segmentación de tejido pulmonar cicatrizado usando machine learning para estudio de enfermedades intersticiales causadas por COVID-19 |
title_full_unstemmed |
Segmentación de tejido pulmonar cicatrizado usando machine learning para estudio de enfermedades intersticiales causadas por COVID-19 |
title_sort |
Segmentación de tejido pulmonar cicatrizado usando machine learning para estudio de enfermedades intersticiales causadas por COVID-19 |
dc.creator.fl_str_mv |
Sánchez Ocampo, Cristian Armando |
dc.contributor.advisor.none.fl_str_mv |
Reyes Gómez, Juan Pablo Hernández Hoyos, Marcela |
dc.contributor.author.none.fl_str_mv |
Sánchez Ocampo, Cristian Armando |
dc.contributor.researchgroup.none.fl_str_mv |
Facultad de Ingeniería::COMIT - Comunicaciones y Tecnología de Información Facultad de Ingeniería::Imagine: Computación Visual, I+D+I |
dc.subject.keyword.spa.fl_str_mv |
Segmentación de imagen Redes neuronales convoluciones profundas U-Net Covid-19 |
topic |
Segmentación de imagen Redes neuronales convoluciones profundas U-Net Covid-19 Ingeniería |
dc.subject.themes.spa.fl_str_mv |
Ingeniería |
description |
Este proyecto se enfocó en la segmentación de tejido pulmonar cicatrizado asociado al covid-19, presente en tomografías pulmonares en forma de opacidades en vidrio esmerilado (GGO). Para ello, se emplearon arquitecturas de redes neuronales convolucionales tipo U-Net, alcanzando valores en el coeficiente de similitud Dice cercanos al 70% en las segmentaciones obtenidas. |
publishDate |
2024 |
dc.date.accessioned.none.fl_str_mv |
2024-07-04T19:14:45Z |
dc.date.available.none.fl_str_mv |
2024-07-04T19:14:45Z |
dc.date.issued.none.fl_str_mv |
2024-05-31 |
dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.content.none.fl_str_mv |
Text |
dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
format |
http://purl.org/coar/resource_type/c_7a1f |
status_str |
acceptedVersion |
dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/1992/74461 |
dc.identifier.instname.none.fl_str_mv |
instname:Universidad de los Andes |
dc.identifier.reponame.none.fl_str_mv |
reponame:Repositorio Institucional Séneca |
dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
url |
https://hdl.handle.net/1992/74461 |
identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
dc.language.iso.none.fl_str_mv |
spa |
language |
spa |
dc.relation.references.none.fl_str_mv |
Alom, M., Yakopcic, C., Hasan, M., Taha, T., & Asari, V. (2019). Recurrent residual U-Net for medical image segmentation. Journal of medical imaging (Bellingham, Wash.), 6. Obtenido de https://doi.org/10.1117/1.JMI.6.1.014006 Apple. (s.f.). Blurring an image [imagen]. Obtenido de Apple Developer: https://developer.apple.com/documentation/accelerate/blurring_an_image Bressem, K. K., Niehues, S. M., Hamm, B., Makowski, M. R., Vahldiek, J. L., & Adams, L. C. (2021). 3D U-Net for segmentation of COVID-19 associated pulmonary infiltrates using transfer learning: State-of-the-art results on affordable hardware. Obtenido de arXiv preprint arXiv:2101.09976 Causey, J., Guan, Y., Dong, W., Walker, K., Qualls, J., Prior, F., & Huang, X. (2019). Lung cancer screening with low-dose CT scans using a deep learning approach. arXiv preprint, 16. Dey, S. (2018). Hands-on image processing with Python : expert techniques for advanced image analysis and effective interpretation of image data. Packt Publishing, 492. Ferdinandus, F., Yuniarno, E. M., Ketut Eddy Purnama, I., & Purnomo, M. H. (2022). Covid-19 Lung Segmentation using U-Net CNN based on Computed Tomography Image. 2022 IEEE 9th International Conference on Computational Intelligence and Virtual Environments for Measurement Systems and Applications (CIVEMSA), 1-6. doi:10.1109/CIVEMSA53371.2022.9853695 Goceri, E. (2023). Medical image data augmentation: techniques, comparisons and interpretations. Artificial Intelligence Review, 12561–1260. Obtenido de https://link.springer.com/article/10.1007/s10462-023-10453-z He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep Residual Learning for Image Recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition, 770-778. Huynh, N. (1 de Marzo de 2023). Understanding Evaluation Metrics in Medical Image Segmentation. Obtenido de Medium: https://medium.com/@nghihuynh_37300/understanding-evaluation-metrics-in-medical-image-segmentation-d289a373a3f Jun, M., Cheng, G., Yixin, W., Xingle, A., Jiantao, G., Ziqi, Y., . . . Jian, H. (20 de Abril de 2020). Zenodo. Obtenido de COVID-19 CT Lung and Infection Segmentation Dataset: https://zenodo.org/records/3757476 Mader, K. (2017). Kaggle. Recuperado el 15 de Febrero de 2024, de Finding and Measuring Lungs in CT Data: https://www.kaggle.com/datasets/kmader/finding-lungs-in-ct-data Marques, J., Ferreira, J., Veras, R., Araujo, F., Carvalho-Filho, A., & Silva, R. (2022). Segmentation of COVID-19 lesions on computed tomography images: An approach using U-Net and pre-processing techniques. Research Square. Obtenido de https://www.researchsquare.com/article/rs-2227469/v1 Morozov, S., Andreychenko, A., Blokhin, I., Vladzymyrskyy, A., Gelezhe, P., Gombolevskiy, V., . . . Chernina, V. (2020). MosMedData: Chest CT Scans with COVID-19. Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care. Recuperado el 3 de Marzo de 2024, de MosMedData Chest CT Scans with COVID-19: https://mosmed.ai/datasets/covid19_1110 Omelianenko, I. (2019). Hands-on neuroevolution with Python : build high-performing artificial neural network architectures using neuroevolution-based algorithms. Packt. ONU. (2022). Las muertes por COVID-19 sumarían 15 millones entre 2020 y 2021. Noticia ONU. Obtenido de https://news.un.org/es/story/2022/05/1508172 OPS. (2021). Actualización Epidemiológica Enfermedad por coronavirus (COVID-19). Obtenido de https://iris.paho.org/bitstream/handle/10665.2/54717/EpiUpdate21August2021_spa.pdf?sequence=2 Orkisz, M., Morales Pinzón, A., Richard, J.-C., Guérin, C., Solórzano Vargas, L., Sicaru, D., . . . Hernández Hoyos, M. (2019). Voxel-wise assessment of lung aeration changes on CT images using image registration: application to acute respiratory distress syndrome (ARDS). International Journal of Computer Assisted Radiology and Surgery, 1945–1953. Obtenido de https://doi.org/10.1007/s11548-019-02064-3 Peñarrubia, L., Piñón, N., Roux, E., Dávila Serrano, E. E., Richard, J.-C., Orkisz, M., & Sarrut, D. (2022). Improving motion‐mask segmentation in thoracic CT with multiplanar U‐nets. Medical Physics, 49, 420-431. Obtenido de https://scholar.google.com/citations?view_op=view_citation&hl=en&user=3m9zfroAAAAJ&sortby=pubdate&citation_for_view=3m9zfroAAAAJ:9pM33mqn1YgC Reyes, J. P., Amaya Porras, C. M., Mejía Bustos, L., Uriza Carrasco, L. F., Ruíz Morales, Á., Ortiz Santos, D., . . . Hernández Hoyos, M. (2024). Estudio comparativo de modelos de Aprendizaje Profundo para segmentar tejido adiposo abdominal en tomografías axiales computarizadas. Revista Colombiana de Radiología. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. Medical Image Computing and Computer-Assisted Intervention--MICCAI 2015: 18th International Conference, Munich, Germany, October 5-9, 2015, Proceedings, Part III 18, 234-241. Obtenido de https://arxiv.org/abs/1505.04597 Salinas, M., Florenzano, M., Wolff, V., Rodríguez, J. C., Valenzuela, H., & Fernández, C. (2019). Enfermedades pulmonares intersticiales. Una perspectiva actual. Revista médica de Chile, 10. Saood, A., & Hatem, I. (2021). COVID-19 lung CT image segmentation using deep learning methods: U-Net versus SegNet. BMC Medical Imaging, 21, 10. doi:https://doi.org/10.1186/s12880-020-00529-5 Undurraga, Á. (2015). FIBROSIS PULMONAR IDIOPÁTICAIDIOPATHIC PULMONARY FIBROSIS. Revista Médica Clínica Las Condes, 292-301. doi:https://doi.org/10.1016/j.rmclc.2015.06.006 |
dc.rights.en.fl_str_mv |
Attribution-NonCommercial-ShareAlike 4.0 International |
dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ |
dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
rights_invalid_str_mv |
Attribution-NonCommercial-ShareAlike 4.0 International http://creativecommons.org/licenses/by-nc-sa/4.0/ http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.format.extent.none.fl_str_mv |
33 páginas |
dc.format.mimetype.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidad de los Andes |
dc.publisher.program.none.fl_str_mv |
Ingeniería de Sistemas y Computación |
dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
dc.publisher.department.none.fl_str_mv |
Departamento de Ingeniería de Sistemas y Computación |
publisher.none.fl_str_mv |
Universidad de los Andes |
institution |
Universidad de los Andes |
bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/bbf2c12b-da32-48ca-9824-646b6a1c6f7b/download https://repositorio.uniandes.edu.co/bitstreams/deb0b446-2007-4c2a-a942-3101065150be/download https://repositorio.uniandes.edu.co/bitstreams/7b19fb4e-278d-40f6-bc6b-06ec1b4f347d/download https://repositorio.uniandes.edu.co/bitstreams/5aead7ef-0fd8-46d9-a5bd-3abe77c0247b/download https://repositorio.uniandes.edu.co/bitstreams/a99655d6-ac3a-4544-bea8-1576aee03b8f/download https://repositorio.uniandes.edu.co/bitstreams/f7c2448d-7fa7-4d1c-a3d9-f8cc8d7f9351/download https://repositorio.uniandes.edu.co/bitstreams/60123a9d-0cd9-49d0-938e-bce1da109ce0/download https://repositorio.uniandes.edu.co/bitstreams/ba220994-061b-4cbf-8845-4a703dbfe2b6/download |
bitstream.checksum.fl_str_mv |
5fcd5740a86950daa49a96d61296a556 9865d36d5ac32b93f9ca92d84d51a519 934f4ca17e109e0a05eaeaba504d7ce4 ae9e573a68e7f92501b6913cc846c39f 4ef6abd36ad64ac6ea0fd4432bec3b59 87b719156e92e09262eac0378eaa8ea7 247c4bf246182518ac725cc3d212b1c5 adc7c6684bcb57bd6d43fdb9e3bc6cfd |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio institucional Séneca |
repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
_version_ |
1812133994934829056 |
spelling |
Reyes Gómez, Juan Pablovirtual::18589-1Hernández Hoyos, Marcelavirtual::18591-1Sánchez Ocampo, Cristian ArmandoFacultad de Ingeniería::COMIT - Comunicaciones y Tecnología de InformaciónFacultad de Ingeniería::Imagine: Computación Visual, I+D+I2024-07-04T19:14:45Z2024-07-04T19:14:45Z2024-05-31https://hdl.handle.net/1992/74461instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Este proyecto se enfocó en la segmentación de tejido pulmonar cicatrizado asociado al covid-19, presente en tomografías pulmonares en forma de opacidades en vidrio esmerilado (GGO). Para ello, se emplearon arquitecturas de redes neuronales convolucionales tipo U-Net, alcanzando valores en el coeficiente de similitud Dice cercanos al 70% en las segmentaciones obtenidas.Pregrado33 páginasapplication/pdfspaUniversidad de los AndesIngeniería de Sistemas y ComputaciónFacultad de IngenieríaDepartamento de Ingeniería de Sistemas y ComputaciónAttribution-NonCommercial-ShareAlike 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Segmentación de tejido pulmonar cicatrizado usando machine learning para estudio de enfermedades intersticiales causadas por COVID-19Trabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPSegmentación de imagenRedes neuronales convoluciones profundasU-NetCovid-19IngenieríaAlom, M., Yakopcic, C., Hasan, M., Taha, T., & Asari, V. (2019). Recurrent residual U-Net for medical image segmentation. Journal of medical imaging (Bellingham, Wash.), 6. Obtenido de https://doi.org/10.1117/1.JMI.6.1.014006Apple. (s.f.). Blurring an image [imagen]. Obtenido de Apple Developer: https://developer.apple.com/documentation/accelerate/blurring_an_imageBressem, K. K., Niehues, S. M., Hamm, B., Makowski, M. R., Vahldiek, J. L., & Adams, L. C. (2021). 3D U-Net for segmentation of COVID-19 associated pulmonary infiltrates using transfer learning: State-of-the-art results on affordable hardware. Obtenido de arXiv preprint arXiv:2101.09976Causey, J., Guan, Y., Dong, W., Walker, K., Qualls, J., Prior, F., & Huang, X. (2019). Lung cancer screening with low-dose CT scans using a deep learning approach. arXiv preprint, 16.Dey, S. (2018). Hands-on image processing with Python : expert techniques for advanced image analysis and effective interpretation of image data. Packt Publishing, 492.Ferdinandus, F., Yuniarno, E. M., Ketut Eddy Purnama, I., & Purnomo, M. H. (2022). Covid-19 Lung Segmentation using U-Net CNN based on Computed Tomography Image. 2022 IEEE 9th International Conference on Computational Intelligence and Virtual Environments for Measurement Systems and Applications (CIVEMSA), 1-6. doi:10.1109/CIVEMSA53371.2022.9853695Goceri, E. (2023). Medical image data augmentation: techniques, comparisons and interpretations. Artificial Intelligence Review, 12561–1260. Obtenido de https://link.springer.com/article/10.1007/s10462-023-10453-zHe, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep Residual Learning for Image Recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition, 770-778.Huynh, N. (1 de Marzo de 2023). Understanding Evaluation Metrics in Medical Image Segmentation. Obtenido de Medium: https://medium.com/@nghihuynh_37300/understanding-evaluation-metrics-in-medical-image-segmentation-d289a373a3fJun, M., Cheng, G., Yixin, W., Xingle, A., Jiantao, G., Ziqi, Y., . . . Jian, H. (20 de Abril de 2020). Zenodo. Obtenido de COVID-19 CT Lung and Infection Segmentation Dataset: https://zenodo.org/records/3757476Mader, K. (2017). Kaggle. Recuperado el 15 de Febrero de 2024, de Finding and Measuring Lungs in CT Data: https://www.kaggle.com/datasets/kmader/finding-lungs-in-ct-dataMarques, J., Ferreira, J., Veras, R., Araujo, F., Carvalho-Filho, A., & Silva, R. (2022). Segmentation of COVID-19 lesions on computed tomography images: An approach using U-Net and pre-processing techniques. Research Square. Obtenido de https://www.researchsquare.com/article/rs-2227469/v1Morozov, S., Andreychenko, A., Blokhin, I., Vladzymyrskyy, A., Gelezhe, P., Gombolevskiy, V., . . . Chernina, V. (2020). MosMedData: Chest CT Scans with COVID-19. Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care. Recuperado el 3 de Marzo de 2024, de MosMedData Chest CT Scans with COVID-19: https://mosmed.ai/datasets/covid19_1110Omelianenko, I. (2019). Hands-on neuroevolution with Python : build high-performing artificial neural network architectures using neuroevolution-based algorithms. Packt.ONU. (2022). Las muertes por COVID-19 sumarían 15 millones entre 2020 y 2021. Noticia ONU. Obtenido de https://news.un.org/es/story/2022/05/1508172OPS. (2021). Actualización Epidemiológica Enfermedad por coronavirus (COVID-19). Obtenido de https://iris.paho.org/bitstream/handle/10665.2/54717/EpiUpdate21August2021_spa.pdf?sequence=2Orkisz, M., Morales Pinzón, A., Richard, J.-C., Guérin, C., Solórzano Vargas, L., Sicaru, D., . . . Hernández Hoyos, M. (2019). Voxel-wise assessment of lung aeration changes on CT images using image registration: application to acute respiratory distress syndrome (ARDS). International Journal of Computer Assisted Radiology and Surgery, 1945–1953. Obtenido de https://doi.org/10.1007/s11548-019-02064-3Peñarrubia, L., Piñón, N., Roux, E., Dávila Serrano, E. E., Richard, J.-C., Orkisz, M., & Sarrut, D. (2022). Improving motion‐mask segmentation in thoracic CT with multiplanar U‐nets. Medical Physics, 49, 420-431. Obtenido de https://scholar.google.com/citations?view_op=view_citation&hl=en&user=3m9zfroAAAAJ&sortby=pubdate&citation_for_view=3m9zfroAAAAJ:9pM33mqn1YgCReyes, J. P., Amaya Porras, C. M., Mejía Bustos, L., Uriza Carrasco, L. F., Ruíz Morales, Á., Ortiz Santos, D., . . . Hernández Hoyos, M. (2024). Estudio comparativo de modelos de Aprendizaje Profundo para segmentar tejido adiposo abdominal en tomografías axiales computarizadas. Revista Colombiana de Radiología.Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. Medical Image Computing and Computer-Assisted Intervention--MICCAI 2015: 18th International Conference, Munich, Germany, October 5-9, 2015, Proceedings, Part III 18, 234-241. Obtenido de https://arxiv.org/abs/1505.04597Salinas, M., Florenzano, M., Wolff, V., Rodríguez, J. C., Valenzuela, H., & Fernández, C. (2019). Enfermedades pulmonares intersticiales. Una perspectiva actual. Revista médica de Chile, 10.Saood, A., & Hatem, I. (2021). COVID-19 lung CT image segmentation using deep learning methods: U-Net versus SegNet. BMC Medical Imaging, 21, 10. doi:https://doi.org/10.1186/s12880-020-00529-5Undurraga, Á. (2015). FIBROSIS PULMONAR IDIOPÁTICAIDIOPATHIC PULMONARY FIBROSIS. Revista Médica Clínica Las Condes, 292-301. doi:https://doi.org/10.1016/j.rmclc.2015.06.006202022112Publicationhttps://scholar.google.es/citations?user=9nnSYmMAAAAJvirtual::18591-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000326453virtual::18591-1a50afd39-959f-4beb-a35f-6f387946f795virtual::18589-130e973c9-1db4-4731-b61b-bc73c4aceecdvirtual::18591-1a50afd39-959f-4beb-a35f-6f387946f795a50afd39-959f-4beb-a35f-6f387946f795virtual::18589-130e973c9-1db4-4731-b61b-bc73c4aceecdvirtual::18591-1ORIGINALSegmentación de Tejido Pulmonar Cicatrizado.pdfSegmentación de Tejido Pulmonar Cicatrizado.pdfapplication/pdf1515910https://repositorio.uniandes.edu.co/bitstreams/bbf2c12b-da32-48ca-9824-646b6a1c6f7b/download5fcd5740a86950daa49a96d61296a556MD51autorizacion tesis firmada JP MHH.pdfautorizacion tesis firmada JP MHH.pdfHIDEapplication/pdf348979https://repositorio.uniandes.edu.co/bitstreams/deb0b446-2007-4c2a-a942-3101065150be/download9865d36d5ac32b93f9ca92d84d51a519MD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81031https://repositorio.uniandes.edu.co/bitstreams/7b19fb4e-278d-40f6-bc6b-06ec1b4f347d/download934f4ca17e109e0a05eaeaba504d7ce4MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/5aead7ef-0fd8-46d9-a5bd-3abe77c0247b/downloadae9e573a68e7f92501b6913cc846c39fMD54TEXTSegmentación de Tejido Pulmonar Cicatrizado.pdf.txtSegmentación de Tejido Pulmonar Cicatrizado.pdf.txtExtracted texttext/plain61018https://repositorio.uniandes.edu.co/bitstreams/a99655d6-ac3a-4544-bea8-1576aee03b8f/download4ef6abd36ad64ac6ea0fd4432bec3b59MD55autorizacion tesis firmada JP MHH.pdf.txtautorizacion tesis firmada JP MHH.pdf.txtExtracted texttext/plain2159https://repositorio.uniandes.edu.co/bitstreams/f7c2448d-7fa7-4d1c-a3d9-f8cc8d7f9351/download87b719156e92e09262eac0378eaa8ea7MD57THUMBNAILSegmentación de Tejido Pulmonar Cicatrizado.pdf.jpgSegmentación de Tejido Pulmonar Cicatrizado.pdf.jpgGenerated Thumbnailimage/jpeg8120https://repositorio.uniandes.edu.co/bitstreams/60123a9d-0cd9-49d0-938e-bce1da109ce0/download247c4bf246182518ac725cc3d212b1c5MD56autorizacion tesis firmada JP MHH.pdf.jpgautorizacion tesis firmada JP MHH.pdf.jpgGenerated Thumbnailimage/jpeg11343https://repositorio.uniandes.edu.co/bitstreams/ba220994-061b-4cbf-8845-4a703dbfe2b6/downloadadc7c6684bcb57bd6d43fdb9e3bc6cfdMD581992/74461oai:repositorio.uniandes.edu.co:1992/744612024-07-08 03:08:21.023http://creativecommons.org/licenses/by-nc-sa/4.0/Attribution-NonCommercial-ShareAlike 4.0 Internationalopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |