Segmentación de tejidos adiposos usando Machine Learning para estudio de obesidad sarcopénica
La investigación aborda el problema de la segmentación automatizada del tejido adiposo en imágenes de tomografía computarizada (TC) para facilitar el diagnóstico y la investigación de la obesidad sarcopénica, una condición caracterizada por la acumulación de grasa y la pérdida de masa muscular. Los...
- Autores:
-
Pérez Castilla, Carlos Mario
García Bernal, Andrés Felipe
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2025
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/75903
- Acceso en línea:
- https://hdl.handle.net/1992/75903
- Palabra clave:
- Tomografía Computacional
Redes Convolucionales Neuronales
Tejido adiposo
Machine Learning
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
| id |
UNIANDES2_e90bee7b43618cac7bb53b173bbb806e |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/75903 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Segmentación de tejidos adiposos usando Machine Learning para estudio de obesidad sarcopénica |
| dc.title.alternative.spa.fl_str_mv |
Segmentación de tejidos adiposos usando Machine Learning para estudios médicos |
| title |
Segmentación de tejidos adiposos usando Machine Learning para estudio de obesidad sarcopénica |
| spellingShingle |
Segmentación de tejidos adiposos usando Machine Learning para estudio de obesidad sarcopénica Tomografía Computacional Redes Convolucionales Neuronales Tejido adiposo Machine Learning Ingeniería |
| title_short |
Segmentación de tejidos adiposos usando Machine Learning para estudio de obesidad sarcopénica |
| title_full |
Segmentación de tejidos adiposos usando Machine Learning para estudio de obesidad sarcopénica |
| title_fullStr |
Segmentación de tejidos adiposos usando Machine Learning para estudio de obesidad sarcopénica |
| title_full_unstemmed |
Segmentación de tejidos adiposos usando Machine Learning para estudio de obesidad sarcopénica |
| title_sort |
Segmentación de tejidos adiposos usando Machine Learning para estudio de obesidad sarcopénica |
| dc.creator.fl_str_mv |
Pérez Castilla, Carlos Mario García Bernal, Andrés Felipe |
| dc.contributor.advisor.none.fl_str_mv |
Reyes Gómez, Juan Pablo |
| dc.contributor.author.none.fl_str_mv |
Pérez Castilla, Carlos Mario García Bernal, Andrés Felipe |
| dc.subject.keyword.spa.fl_str_mv |
Tomografía Computacional Redes Convolucionales Neuronales Tejido adiposo Machine Learning |
| topic |
Tomografía Computacional Redes Convolucionales Neuronales Tejido adiposo Machine Learning Ingeniería |
| dc.subject.themes.spa.fl_str_mv |
Ingeniería |
| description |
La investigación aborda el problema de la segmentación automatizada del tejido adiposo en imágenes de tomografía computarizada (TC) para facilitar el diagnóstico y la investigación de la obesidad sarcopénica, una condición caracterizada por la acumulación de grasa y la pérdida de masa muscular. Los principales desafíos incluyen la subjetividad en la segmentación manual y la necesidad de mejorar la precisión diagnóstica. Se implementaron cinco arquitecturas de redes neuronales convolucionales profundas: U-Net++, ResNet, Dense U-Net, SegNet y Residual U-Net, para evaluar su capacidad de segmentación multiclase del tejido adiposo. El modelo Residual U-Net obtuvo el mejor desempeño global con un coeficiente DICE promedio de 0.9515, destacando por su precisión en clases críticas. La metodología incluyó la preparación del conjunto de datos, el entrenamiento y la validación de los modelos, utilizando métricas como el coeficiente DICE para medir la precisión en cada clase. Los resultados mostraron que el enfoque propuesto es competitivo frente a otros estudios, aunque se identificaron limitaciones en la segmentación de ciertas clases complejas y en su aplicabilidad a otras regiones del cuerpo. Los resultados sugieren que el modelo desarrollado puede ser una herramienta efectiva en la práctica clínica para la evaluación precisa de la composición corporal, especialmente en el abdomen. Sin embargo, futuras investigaciones deberán centrarse en mejorar la segmentación de clases desafiantes y extender su uso a otras áreas anatómicas. |
| publishDate |
2025 |
| dc.date.accessioned.none.fl_str_mv |
2025-01-31T14:47:44Z |
| dc.date.available.none.fl_str_mv |
2025-01-31T14:47:44Z |
| dc.date.issued.none.fl_str_mv |
2025-01-30 |
| 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/1992/75903 |
| 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/1992/75903 |
| 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 |
Amaya, C. (2020). Comparative study of deep learning segmentation models for body composition analysis in CT Scans. Universidad de los Andes. Carbajal, A. (2018). Manual de Nutrición y Dietética. Departamento de Nutrición. Facultad de Farmacia. Universidad Complutense de Madrid https://www.ucm.es/nutricioncarbajal/ Chen, P (2020). Lensless Computational Imaging Technology Using Deep Convolutional Network. https://www.researchgate.net/figure/The-architecture-of-Dense-U-Net-Its-improvements-to-U-Net-are-that-there-are-some_fig3_341208473 Cielo, C., Keenan, B., Wiemken, A., Tapia, I., Kelly, A., Schwab, R., (2021). Neck fat and obstructive sleep apnea in obese adolescents. Sleep, 44(11) https://doi.org/10.1093/sleep/zsab158 Ciudin, A., Simó-Servat, A., Palmas, F., & Barahona, M.J., (2020). Obesidad sarcopénica: un nuevo reto en la clínica práctica. 67 (10). https://www.elsevier.es/es-revista-endocrinologia-diabetes-nutricion-13-articulo-obesidad-sarcopenica-un-nuevo-reto-S2530016420301038 Data Scientist (2024). U-NET : todo lo que tienes que saber sobre la red neuronal de Computer Vision. https://datascientest.com/es/u-net-lo-que-tienes-que-saber Grainger, A. T., Tustison, N. J., . Qing, K., Roy, R., Berr, S. S., & Shi, W. (2018). Deep learning-based quantification of abdominal fat on magnetic resonance images. PloS one, 13(9), e0204071. https://doi.org/10.1371/journal.pone.0204071 Greco, F., & Mallio, C. A. (2021). Artificial intelligence and abdominal adipose tissue analysis: a literature review. Quantitative imaging in medicine and surgery, 11(10), 4461–4474. https://doi.org/10.21037/qims-21-370 Guadamuz Hernández, Sylvia Helen, & Suárez Brenes, Gabriel. (2020). Generalidades de la obesidad sarcopénica en adultos mayores. Medicina Legal de Costa Rica, 37(1), 114-120. Retrieved February 19, 2024, from http://www.scielo.sa.cr/scielo.php?script=sci_arttext&pid=S1409-00152020000100114&lng=en&tlng=es. Hesaraki, S. (2023). SegNET. https://medium.com/@saba99/segnet-a139ce77b570 Instituto Nacional de Cáncer (n.d.). Exploraciones con tomografía computarizada (TC) para el cáncer. Tomado de: https://www.cancer.gov/espanol/cancer/diagnostico-estadificacion/hoja-informativa-tomografia-computarizada#:~:text=La%20tomograf%C3%ADa%20computarizada%2C%20TC%2C%20es,tomograf%C3%ADa%20axial%20computarizada%20(TAC). Mukherjee, S. (2022). The Annotated ResNet-50. https://towardsdatascience.com/the-annotated-resnet-50-a6c536034758 Muresan, Bianca Tabita, Sánchez Juan, Carlos, Artero, Ana, Montoro, Alegría, Hernández Machancoses, Ana, Ruíz Berjaga, Yesica, Ríos Ríos, Jaime, Soriano del Castillo, José Miguel, Sebastià Fabregat, Natividad, Prieto-Colodrero, Nieves, & López-Torrecilla, José. (2019). Estudio transversal de medición de la composición corporal en pacientes con cáncer mediante antropometría y técnicas de imagen médica. Revista Española de Nutrición Humana y Dietética, 23(3), 162-174. Epub 13 de octubre de 2020.https://dx.doi.org/10.14306/renhyd.23.3.724 Romero Blanco, Cristina, Artiga González, María Jesús, Cabanillas Cruz, Esther, Casajús Mallén, José Antonio, Ara Royo, Ignacio, & Aznar Laín, Susana. (2017). Obesidad sarcopénica en mujeres mayores: influencia del polimorfismo I/D de la enzima convertidora de angiotensina. Nutrición Hospitalaria, 34(5), 1099-1104. https://dx.doi.org/10.20960/nh.913 Ronenberg, O., Fischer P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. Conference paper. (234-241) Salazar, P. (2022). Automatic Volumetric Segmentation of the Upper Airway and Parapharyngeal Fat in Head and Neck CT Scans. Zang, W., Zhu, F., & Yu, Y. (2022). Computed Tomography Image Analysis of Body Fat Based on Multi-Image Information. BioMed research international, 2022, 8265211. https://doi.org/10.1155/2022/8265211 Zhou, Z., Siddique, M., Tajbakhsh, N., & Liang, J. (2018). UNet++: A Nested U-Net Architecture for Medical Image Segmentation. https://arxiv.org/pdf/1807.10165 Koitka et al. (2020) → Koitka, S., Kroll, L., Othman, A., & Pfister, M. (2020). Automatic segmentation of CT images for ventral body composition analysis. arXiv. https://arxiv.org/pdf/2009.01965 Weston et al. (2020) → Weston, A. D., Korfiatis, P., Kline, T. L., Philbrick, K. A., & Erickson, B. J. (2020). Automated abdominal segmentation of CT images for body composition analysis using deep learning. arXiv. |
| dc.rights.uri.none.fl_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf |
| 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 |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf 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/287328ce-bbea-471c-bd9c-e51a1846d6ed/download https://repositorio.uniandes.edu.co/bitstreams/1eea3ff5-66da-4b34-b6a5-4ed74ad1e952/download https://repositorio.uniandes.edu.co/bitstreams/1b5c0f3a-68a2-479a-93b8-08ee10cafe0d/download https://repositorio.uniandes.edu.co/bitstreams/d510c69a-abf0-4c84-bd50-e63a15d643b1/download https://repositorio.uniandes.edu.co/bitstreams/85852eb6-70af-409b-a2ce-7688215009cf/download https://repositorio.uniandes.edu.co/bitstreams/6faeec45-119f-4768-915f-a94edae2bbf2/download https://repositorio.uniandes.edu.co/bitstreams/73fdc1d5-a1c4-41fb-8514-e839be2f1d5f/download |
| bitstream.checksum.fl_str_mv |
efdb336053a6dc4b3a306262ec84bda9 48c9da22833378962ae290fa695f2570 ae9e573a68e7f92501b6913cc846c39f 586c4994493315a4b9304bc139d3ace1 9ad7cd9e735a8830161608a0adef9d1d e6d300f16977d65c3ed1ea8bdaa2dffb da77fc5f31a94eae3935bece87e553c9 |
| bitstream.checksumAlgorithm.fl_str_mv |
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_ |
1828159277674528768 |
| spelling |
Reyes Gómez, Juan Pablovirtual::22967-1Pérez Castilla, Carlos MarioGarcía Bernal, Andrés Felipe2025-01-31T14:47:44Z2025-01-31T14:47:44Z2025-01-30https://hdl.handle.net/1992/75903instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/La investigación aborda el problema de la segmentación automatizada del tejido adiposo en imágenes de tomografía computarizada (TC) para facilitar el diagnóstico y la investigación de la obesidad sarcopénica, una condición caracterizada por la acumulación de grasa y la pérdida de masa muscular. Los principales desafíos incluyen la subjetividad en la segmentación manual y la necesidad de mejorar la precisión diagnóstica. Se implementaron cinco arquitecturas de redes neuronales convolucionales profundas: U-Net++, ResNet, Dense U-Net, SegNet y Residual U-Net, para evaluar su capacidad de segmentación multiclase del tejido adiposo. El modelo Residual U-Net obtuvo el mejor desempeño global con un coeficiente DICE promedio de 0.9515, destacando por su precisión en clases críticas. La metodología incluyó la preparación del conjunto de datos, el entrenamiento y la validación de los modelos, utilizando métricas como el coeficiente DICE para medir la precisión en cada clase. Los resultados mostraron que el enfoque propuesto es competitivo frente a otros estudios, aunque se identificaron limitaciones en la segmentación de ciertas clases complejas y en su aplicabilidad a otras regiones del cuerpo. Los resultados sugieren que el modelo desarrollado puede ser una herramienta efectiva en la práctica clínica para la evaluación precisa de la composición corporal, especialmente en el abdomen. Sin embargo, futuras investigaciones deberán centrarse en mejorar la segmentación de clases desafiantes y extender su uso a otras áreas anatómicas.Pregrado33 páginasapplication/pdfspaUniversidad de los AndesIngeniería de Sistemas y ComputaciónFacultad de IngenieríaDepartamento de Ingeniería de Sistemas y Computaciónhttps://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Segmentación de tejidos adiposos usando Machine Learning para estudio de obesidad sarcopénicaSegmentación de tejidos adiposos usando Machine Learning para estudios médicosTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPTomografía ComputacionalRedes Convolucionales NeuronalesTejido adiposoMachine LearningIngenieríaAmaya, C. (2020). Comparative study of deep learning segmentation models for body composition analysis in CT Scans. Universidad de los Andes.Carbajal, A. (2018). Manual de Nutrición y Dietética. Departamento de Nutrición. Facultad de Farmacia. Universidad Complutense de Madrid https://www.ucm.es/nutricioncarbajal/Chen, P (2020). Lensless Computational Imaging Technology Using Deep Convolutional Network. https://www.researchgate.net/figure/The-architecture-of-Dense-U-Net-Its-improvements-to-U-Net-are-that-there-are-some_fig3_341208473Cielo, C., Keenan, B., Wiemken, A., Tapia, I., Kelly, A., Schwab, R., (2021). Neck fat and obstructive sleep apnea in obese adolescents. Sleep, 44(11) https://doi.org/10.1093/sleep/zsab158Ciudin, A., Simó-Servat, A., Palmas, F., & Barahona, M.J., (2020). Obesidad sarcopénica: un nuevo reto en la clínica práctica. 67 (10). https://www.elsevier.es/es-revista-endocrinologia-diabetes-nutricion-13-articulo-obesidad-sarcopenica-un-nuevo-reto-S2530016420301038Data Scientist (2024). U-NET : todo lo que tienes que saber sobre la red neuronal de Computer Vision. https://datascientest.com/es/u-net-lo-que-tienes-que-saberGrainger, A. T., Tustison, N. J., . Qing, K., Roy, R., Berr, S. S., & Shi, W. (2018). Deep learning-based quantification of abdominal fat on magnetic resonance images. PloS one, 13(9), e0204071. https://doi.org/10.1371/journal.pone.0204071Greco, F., & Mallio, C. A. (2021). Artificial intelligence and abdominal adipose tissue analysis: a literature review. Quantitative imaging in medicine and surgery, 11(10), 4461–4474. https://doi.org/10.21037/qims-21-370Guadamuz Hernández, Sylvia Helen, & Suárez Brenes, Gabriel. (2020). Generalidades de la obesidad sarcopénica en adultos mayores. Medicina Legal de Costa Rica, 37(1), 114-120. Retrieved February 19, 2024, from http://www.scielo.sa.cr/scielo.php?script=sci_arttext&pid=S1409-00152020000100114&lng=en&tlng=es.Hesaraki, S. (2023). SegNET. https://medium.com/@saba99/segnet-a139ce77b570Instituto Nacional de Cáncer (n.d.). Exploraciones con tomografía computarizada (TC) para el cáncer. Tomado de: https://www.cancer.gov/espanol/cancer/diagnostico-estadificacion/hoja-informativa-tomografia-computarizada#:~:text=La%20tomograf%C3%ADa%20computarizada%2C%20TC%2C%20es,tomograf%C3%ADa%20axial%20computarizada%20(TAC).Mukherjee, S. (2022). The Annotated ResNet-50. https://towardsdatascience.com/the-annotated-resnet-50-a6c536034758Muresan, Bianca Tabita, Sánchez Juan, Carlos, Artero, Ana, Montoro, Alegría, Hernández Machancoses, Ana, Ruíz Berjaga, Yesica, Ríos Ríos, Jaime, Soriano del Castillo, José Miguel, Sebastià Fabregat, Natividad, Prieto-Colodrero, Nieves, & López-Torrecilla, José. (2019). Estudio transversal de medición de la composición corporal en pacientes con cáncer mediante antropometría y técnicas de imagen médica. Revista Española de Nutrición Humana y Dietética, 23(3), 162-174. Epub 13 de octubre de 2020.https://dx.doi.org/10.14306/renhyd.23.3.724Romero Blanco, Cristina, Artiga González, María Jesús, Cabanillas Cruz, Esther, Casajús Mallén, José Antonio, Ara Royo, Ignacio, & Aznar Laín, Susana. (2017). Obesidad sarcopénica en mujeres mayores: influencia del polimorfismo I/D de la enzima convertidora de angiotensina. Nutrición Hospitalaria, 34(5), 1099-1104. https://dx.doi.org/10.20960/nh.913Ronenberg, O., Fischer P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. Conference paper. (234-241)Salazar, P. (2022). Automatic Volumetric Segmentation of the Upper Airway and Parapharyngeal Fat in Head and Neck CT Scans.Zang, W., Zhu, F., & Yu, Y. (2022). Computed Tomography Image Analysis of Body Fat Based on Multi-Image Information. BioMed research international, 2022, 8265211. https://doi.org/10.1155/2022/8265211Zhou, Z., Siddique, M., Tajbakhsh, N., & Liang, J. (2018). UNet++: A Nested U-Net Architecture for Medical Image Segmentation. https://arxiv.org/pdf/1807.10165Koitka et al. (2020) → Koitka, S., Kroll, L., Othman, A., & Pfister, M. (2020). Automatic segmentation of CT images for ventral body composition analysis. arXiv. https://arxiv.org/pdf/2009.01965Weston et al. (2020) → Weston, A. D., Korfiatis, P., Kline, T. L., Philbrick, K. A., & Erickson, B. J. (2020). Automated abdominal segmentation of CT images for body composition analysis using deep learning. arXiv.201718653201715813Publicationa50afd39-959f-4beb-a35f-6f387946f795virtual::22967-1a50afd39-959f-4beb-a35f-6f387946f795a50afd39-959f-4beb-a35f-6f387946f795virtual::22967-1ORIGINALSegmentación de tejidos adiposos usando Machine Learning.pdfSegmentación de tejidos adiposos usando Machine Learning.pdfapplication/pdf804270https://repositorio.uniandes.edu.co/bitstreams/287328ce-bbea-471c-bd9c-e51a1846d6ed/downloadefdb336053a6dc4b3a306262ec84bda9MD51autorizacion tesis-Carlos y Andres [Firmado].pdfautorizacion tesis-Carlos y Andres [Firmado].pdfHIDEapplication/pdf284536https://repositorio.uniandes.edu.co/bitstreams/1eea3ff5-66da-4b34-b6a5-4ed74ad1e952/download48c9da22833378962ae290fa695f2570MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/1b5c0f3a-68a2-479a-93b8-08ee10cafe0d/downloadae9e573a68e7f92501b6913cc846c39fMD53TEXTSegmentación de tejidos adiposos usando Machine Learning.pdf.txtSegmentación de tejidos adiposos usando Machine Learning.pdf.txtExtracted texttext/plain53903https://repositorio.uniandes.edu.co/bitstreams/d510c69a-abf0-4c84-bd50-e63a15d643b1/download586c4994493315a4b9304bc139d3ace1MD54autorizacion tesis-Carlos y Andres [Firmado].pdf.txtautorizacion tesis-Carlos y Andres [Firmado].pdf.txtExtracted texttext/plain2110https://repositorio.uniandes.edu.co/bitstreams/85852eb6-70af-409b-a2ce-7688215009cf/download9ad7cd9e735a8830161608a0adef9d1dMD56THUMBNAILSegmentación de tejidos adiposos usando Machine Learning.pdf.jpgSegmentación de tejidos adiposos usando Machine Learning.pdf.jpgGenerated Thumbnailimage/jpeg6679https://repositorio.uniandes.edu.co/bitstreams/6faeec45-119f-4768-915f-a94edae2bbf2/downloade6d300f16977d65c3ed1ea8bdaa2dffbMD55autorizacion tesis-Carlos y Andres [Firmado].pdf.jpgautorizacion tesis-Carlos y Andres [Firmado].pdf.jpgGenerated Thumbnailimage/jpeg10938https://repositorio.uniandes.edu.co/bitstreams/73fdc1d5-a1c4-41fb-8514-e839be2f1d5f/downloadda77fc5f31a94eae3935bece87e553c9MD571992/75903oai:repositorio.uniandes.edu.co:1992/759032025-03-05 10:01:59.514https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |