Detección de masas en imágenes de mamografía por medio de técnicas de aprendizaje profundo

El cáncer de mama es una enfermedad que afecta a millones de mujeres en todo el mundo y se ha convertido en una de las principales causas de muerte en esta población. Detectar a tiempo esta enfermedad es crucial para mejorar las tasas de supervivencia; sin embargo, los médicos se enfrentan a desafío...

Full description

Autores:
Mejia Cortes, Mario Andres
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2023
Institución:
Universidad de Ibagué
Repositorio:
Repositorio Universidad de Ibagué
Idioma:
spa
OAI Identifier:
oai:repositorio.unibague.edu.co:20.500.12313/4175
Acceso en línea:
https://hdl.handle.net/20.500.12313/4175
Palabra clave:
Mamografia - Técnicas de aprendizaje profundo
Mamografía - Detección de imágenes
Cáncer de mama
Imágenes mamográficas
Redes neuronales
Segmentación
Breast cancer
Mammographic images
Neural networks
Segmentation
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
id UNIBAGUE2_4aab7c08284d3ee90cb2678950ad03fa
oai_identifier_str oai:repositorio.unibague.edu.co:20.500.12313/4175
network_acronym_str UNIBAGUE2
network_name_str Repositorio Universidad de Ibagué
repository_id_str
dc.title.spa.fl_str_mv Detección de masas en imágenes de mamografía por medio de técnicas de aprendizaje profundo
title Detección de masas en imágenes de mamografía por medio de técnicas de aprendizaje profundo
spellingShingle Detección de masas en imágenes de mamografía por medio de técnicas de aprendizaje profundo
Mamografia - Técnicas de aprendizaje profundo
Mamografía - Detección de imágenes
Cáncer de mama
Imágenes mamográficas
Redes neuronales
Segmentación
Breast cancer
Mammographic images
Neural networks
Segmentation
title_short Detección de masas en imágenes de mamografía por medio de técnicas de aprendizaje profundo
title_full Detección de masas en imágenes de mamografía por medio de técnicas de aprendizaje profundo
title_fullStr Detección de masas en imágenes de mamografía por medio de técnicas de aprendizaje profundo
title_full_unstemmed Detección de masas en imágenes de mamografía por medio de técnicas de aprendizaje profundo
title_sort Detección de masas en imágenes de mamografía por medio de técnicas de aprendizaje profundo
dc.creator.fl_str_mv Mejia Cortes, Mario Andres
dc.contributor.advisor.none.fl_str_mv Forero Vargas, Manuel Guillermo
dc.contributor.author.none.fl_str_mv Mejia Cortes, Mario Andres
dc.subject.armarc.none.fl_str_mv Mamografia - Técnicas de aprendizaje profundo
Mamografía - Detección de imágenes
topic Mamografia - Técnicas de aprendizaje profundo
Mamografía - Detección de imágenes
Cáncer de mama
Imágenes mamográficas
Redes neuronales
Segmentación
Breast cancer
Mammographic images
Neural networks
Segmentation
dc.subject.proposal.spa.fl_str_mv Cáncer de mama
Imágenes mamográficas
Redes neuronales
Segmentación
dc.subject.proposal.eng.fl_str_mv Breast cancer
Mammographic images
Neural networks
Segmentation
description El cáncer de mama es una enfermedad que afecta a millones de mujeres en todo el mundo y se ha convertido en una de las principales causas de muerte en esta población. Detectar a tiempo esta enfermedad es crucial para mejorar las tasas de supervivencia; sin embargo, los médicos se enfrentan a desafíos significativos en su evaluación precisa, ya que las imágenes mamográficas pueden presentar características sutiles y variables que dificultan la detección manual de masas malignas o benignas. En este contexto, se presenta este proyecto, con el objetivo de implementar y evaluar la eficacia de las redes neuronales en la segmentación y clasificación precisa de masas mamográficas, lo que ha arrojado resultados con una precisión del 85 por ciento en la segmentación de masas y un 75 por ciento en la segmentación de estas según su severidad (maligno o benigno).
publishDate 2023
dc.date.issued.none.fl_str_mv 2023
dc.date.accessioned.none.fl_str_mv 2024-04-26T14:21:43Z
dc.date.available.none.fl_str_mv 2024-04-26T14:21:43Z
dc.type.none.fl_str_mv Trabajo de grado - Pregrado
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.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/TP
dc.type.version.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.citation.none.fl_str_mv Mejia Cortes, M.A. (2024). Detección de masas en imágenes de mamografía por medio de técnicas de aprendizaje profundo. [Trabajo de grado. Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4175
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12313/4175
identifier_str_mv Mejia Cortes, M.A. (2024). Detección de masas en imágenes de mamografía por medio de técnicas de aprendizaje profundo. [Trabajo de grado. Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4175
url https://hdl.handle.net/20.500.12313/4175
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv “Breast cancer.” Accessed: Sep. 04, 2023. [Online]. Available: https://www.who.int/news-room/fact-sheets/detail/breast-cancer
I. Díaz-Yuñez, M. Porras, G. Parra, S. Serrano Montes, and E. De Nubila, “Artículo Original ACCURACY OF A DIGITAL MAMMOGRAPHY SERVICE IN THE DIAGNOSIS OF BREAST CÁNCER ABSTRACT,” 2012.
“Tratamiento del cáncer de seno | American Cancer Society.” Accessed: Nov. 02, 2023. [Online]. Available: https://www.cancer.org/es/cancer/tipos/cancer-de-seno/tratamiento.html
“Detección temprana y diagnóstico del cáncer de seno | American Cancer Society.” Accessed: Nov. 02, 2023. [Online]. Available: https://www.cancer.org/es/cancer/tipos/cancer-de-seno/pruebas-de-deteccion-y-deteccion-temprana-del-cancer-de-seno.html
J. Armando Ortiz Murillo et al., “Detección de cáncer de mama usando técnicas avanzadas de minería de datos con redes neuronales,” 2016.
M. Cantone, C. Marrocco, F. Tortorella, and A. Bria, “Convolutional Networks and Transformers for Mammography Classification: An Experimental Study,” Sensors, vol. 23, no. 3, Feb. 2023, doi: 10.3390/S23031229.
L. Shen, L. R. Margolies, J. H. Rothstein, E. Fluder, R. McBride, and W. Sieh, “Deep Learning to Improve Breast Cancer Detection on Screening Mammography,” Sci Rep, vol. 9, no. 1, Dec. 2019, doi: 10.1038/S41598-019-48995-4.
V. K. Singh et al., “Breast tumor segmentation and shape classification in mammograms using generative adversarial and convolutional neural network,” Expert Syst Appl, vol. 139, p. 112855, Jan. 2020, doi: 10.1016/j.eswa.2019.112855.
“¿Qué es el machine learning? - Explicación sobre el machine learning empresarial - AWS.” Accessed: Nov. 02, 2023. [Online]. Available: https://aws.amazon.com/es/what-is/machine-learning/
“Perceptron : qu’est-ce que c’est et à quoi ça sert ?” Accessed: Sep. 05, 2023. [Online]. Available: https://datascientest.com/es/perceptron-que-es-y-para-que-sirve
“¿Qué es una red neuronal? - Explicación de las redes neuronales artificiales - AWS.” Accessed: Sep. 06, 2023. [Online]. Available: https://aws.amazon.com/es/what-is/neural-network/
“¿Qué es el aprendizaje profundo? - Explicación del aprendizaje profundo - AWS.” Accessed: Nov. 02, 2023. [Online]. Available: https://aws.amazon.com/es/what-is/deep-learning/
“Descripción del funcionamiento de una red neuronal convolucional (CNN)... | Download Scientific Diagram.” Accessed: Sep. 06, 2023. [Online]. Available: https://www.researchgate.net/figure/Figura-1-Descripcion-del-funcionamiento-de-una-red-neuronal-convolucional-CNN-10_fig1_348825166
“¿Qué son las redes neuronales convolucionales? | IBM.” Accessed: Sep. 06, 2023. [Online]. Available: https://www.ibm.com/es-es/topics/convolutional-neural-networks
O. Ronneberger, P. Fischer, and T. Brox, “U-Net: Convolutional Networks for Biomedical Image Segmentation,” May 2015, [Online]. Available: http://arxiv.org/abs/1505.04597
“Max Pooling Definition | DeepAI.” Accessed: Nov. 02, 2023. [Online]. Available: https://deepai.org/machine-learning-glossary-and-terms/max-pooling
“¿Qué es el sobreajuste? - Explicación del sobreajuste en machine learning - AWS.” Accessed: Nov. 02, 2023. [Online]. Available: https://aws.amazon.com/es/what-is/overfitting/
“Regularization in Machine Learning - GeeksforGeeks.” Accessed: Nov. 02, 2023. [Online]. Available: https://www.geeksforgeeks.org/regularization-in-machine-learning/
N. Srivastava, G. Hinton, A. Krizhevsky, and R. Salakhutdinov, “Dropout: A Simple Way to Prevent Neural Networks from Overfitting,” 2014.
S. Ioffe and C. Szegedy, “Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift,” 32nd International Conference on Machine Learning, ICML 2015, vol. 1, pp. 448–456, Feb. 2015, Accessed: Sep. 06, 2023. [Online]. Available: https://arxiv.org/abs/1502.03167v3
“Data augmentation-based color and geometry transformation. | Download Scientific Diagram.” Accessed: Sep. 06, 2023. [Online]. Available: https://www.researchgate.net/figure/Data-augmentation-based-color-and-geometry-transformation_fig4_342625631
A. Mumuni and F. Mumuni, “Data augmentation: A comprehensive survey of modern approaches,” Array, vol. 16, p. 100258, Dec. 2022, doi: 10.1016/J.ARRAY.2022.100258.
“Evaluating Image Segmentation Models | by Frank Liang | Towards Data Science.” Accessed: Nov. 02, 2023. [Online]. Available: https://towardsdatascience.com/evaluating-image-segmentation-models-1e9bb89a001b
A. Mračko, L. Vanovčanová, and I. Cimrák, “Mammography Datasets for Neural Networks—Survey,” Journal of Imaging, vol. 9, no. 5. MDPI, May 01, 2023. doi: 10.3390/jimaging9050095.
R. S. Lee, F. Gimenez, A. Hoogi, K. K. Miyake, M. Gorovoy, and D. L. Rubin, “A curated mammography data set for use in computer-aided detection and diagnosis research,” Sci Data, vol. 4, Dec. 2017, doi: 10.1038/SDATA.2017.177
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
dc.rights.license.none.fl_str_mv Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.format.extent.none.fl_str_mv 47 páginas
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Ibagué
dc.publisher.faculty.none.fl_str_mv Ingeniería
dc.publisher.place.none.fl_str_mv Ibagué
dc.publisher.program.none.fl_str_mv Ingeniería Electrónica
publisher.none.fl_str_mv Universidad de Ibagué
institution Universidad de Ibagué
bitstream.url.fl_str_mv https://repositorio.unibague.edu.co/bitstreams/42e567f1-d6eb-41f9-b03c-628f91bd0fae/download
https://repositorio.unibague.edu.co/bitstreams/c59d4943-9db6-4144-88fc-dd8f97363db5/download
https://repositorio.unibague.edu.co/bitstreams/591ceec8-6bf9-4589-aff2-05967000ea14/download
https://repositorio.unibague.edu.co/bitstreams/7df554ba-4bb3-4131-a6f4-bb2936e23be1/download
https://repositorio.unibague.edu.co/bitstreams/d8f8078d-7ae6-498e-85b2-96ff200f61a8/download
https://repositorio.unibague.edu.co/bitstreams/837eea62-9613-4d5c-8270-989246c99a69/download
https://repositorio.unibague.edu.co/bitstreams/caf4cdbc-37d4-4956-a24a-5609461f1468/download
bitstream.checksum.fl_str_mv 2fa3e590786b9c0f3ceba1b9656b7ac3
24bad4668ecf38b258183f8365ab3355
a51e13ecdfb23a5c2f4d63d394d01de9
18a813696407652ddd91a99b6efbc7dc
d5822fd014273b3938baad943468b934
13de21f92353573a21e0fd552b0e6714
de43de4e5c3fbedb2c8f1e6fe36c83be
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad de Ibagué
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1814204139886870528
spelling Forero Vargas, Manuel Guillermo187e7d0d-8326-49bc-8824-d0c7660437b7-1Mejia Cortes, Mario Andresb99ee922-df47-462b-ae52-9eb3ad81a6c5-12024-04-26T14:21:43Z2024-04-26T14:21:43Z2023El cáncer de mama es una enfermedad que afecta a millones de mujeres en todo el mundo y se ha convertido en una de las principales causas de muerte en esta población. Detectar a tiempo esta enfermedad es crucial para mejorar las tasas de supervivencia; sin embargo, los médicos se enfrentan a desafíos significativos en su evaluación precisa, ya que las imágenes mamográficas pueden presentar características sutiles y variables que dificultan la detección manual de masas malignas o benignas. En este contexto, se presenta este proyecto, con el objetivo de implementar y evaluar la eficacia de las redes neuronales en la segmentación y clasificación precisa de masas mamográficas, lo que ha arrojado resultados con una precisión del 85 por ciento en la segmentación de masas y un 75 por ciento en la segmentación de estas según su severidad (maligno o benigno).Breast cancer is an illness that affects millions of women around the world and has become one of the main causes of death in this population. Detecting this disease in a timely manner is crucial to improve survival rates; however, doctors face significant challenges in its accurate assessment, as mammographic images can exhibit subtle and variable characteristics that make manual detection of malignant or benign masses difficult. In this context, this project is presented, with the aim of implementing and evaluating the effectiveness of neural networks in the segmentation and accurate classification of mammographic masses, which has yielded results with an 80 percent accuracy in mass segmentation and a 70 percent accuracy in the segmentation of these according to their severity (malignant or benign).PregradoIngeniero ElectrónicoIntroducción . 1 Capítulo 1: Objeto de estudio .... 2 1.1 Planteamiento del problema. ... 2 1.2 Objetivos ... 3 1.2.1 Objetivo general 3 1.2.2 Objetivos específicos .. 3 1.3 Estado del arte .... 4 Capítulo 2: Marco Teórico 5 2.1 Aprendizaje de maquina 5 2.2 Aprendizaje supervisado .... 5 2.3 Perceptrón. 6 2.4 Red neural. 6 2.4.1 Capa de entrada .... 7 2.4.2 Capa oculta . 7 2.4.3 Capa de salida .. 7 2.5 Aprendizaje profundo .... 8 2.6 Redes neurales convolucionales .. 8 2.6.1 Capas de convolución. 9 2.6.2 Capas de agrupación (pooling) .. 9 2.6.3 Capas completamente conectadas . 9 2.6.4 Funciones de activación .. 9 2.7 Arquitectura de aprendizaje ... 10 2.8 UNET . 10 2.9 Maxpooling ... 11 2.10 Sobreajuste .. 11 2.11 Regularización .. 11 2.12 Dropout ... 11 2.13 Batch Normalization .... 12 2.14 Data Augmentation . 12 2.15 Exactitud . 13 2.16 Intersección sobre la unión (IoU) 13 Capítulo 3: Materiales .... 14 3.1 Base de datos CBIS-DDSM .. 14 3.2 Software y Hardware ... 15 Capítulo 4: Desarrollo .... 17 3.3 Preparación y muestreo de la base de datos. . 17 3.4 Ajuste de la red . 19 3.5 Clasificación . 29 Capítulo 5: Resultados ... 31 6. Conclusiones y recomendaciones 33 6.1 Conclusiones 33 6.2 Recomendaciones .. 34 Referencias bibliográficas .. 3547 páginasapplication/pdfMejia Cortes, M.A. (2024). Detección de masas en imágenes de mamografía por medio de técnicas de aprendizaje profundo. [Trabajo de grado. Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4175https://hdl.handle.net/20.500.12313/4175spaUniversidad de IbaguéIngenieríaIbaguéIngeniería Electrónica“Breast cancer.” Accessed: Sep. 04, 2023. [Online]. Available: https://www.who.int/news-room/fact-sheets/detail/breast-cancerI. Díaz-Yuñez, M. Porras, G. Parra, S. Serrano Montes, and E. De Nubila, “Artículo Original ACCURACY OF A DIGITAL MAMMOGRAPHY SERVICE IN THE DIAGNOSIS OF BREAST CÁNCER ABSTRACT,” 2012.“Tratamiento del cáncer de seno | American Cancer Society.” Accessed: Nov. 02, 2023. [Online]. Available: https://www.cancer.org/es/cancer/tipos/cancer-de-seno/tratamiento.html“Detección temprana y diagnóstico del cáncer de seno | American Cancer Society.” Accessed: Nov. 02, 2023. [Online]. Available: https://www.cancer.org/es/cancer/tipos/cancer-de-seno/pruebas-de-deteccion-y-deteccion-temprana-del-cancer-de-seno.htmlJ. Armando Ortiz Murillo et al., “Detección de cáncer de mama usando técnicas avanzadas de minería de datos con redes neuronales,” 2016.M. Cantone, C. Marrocco, F. Tortorella, and A. Bria, “Convolutional Networks and Transformers for Mammography Classification: An Experimental Study,” Sensors, vol. 23, no. 3, Feb. 2023, doi: 10.3390/S23031229.L. Shen, L. R. Margolies, J. H. Rothstein, E. Fluder, R. McBride, and W. Sieh, “Deep Learning to Improve Breast Cancer Detection on Screening Mammography,” Sci Rep, vol. 9, no. 1, Dec. 2019, doi: 10.1038/S41598-019-48995-4.V. K. Singh et al., “Breast tumor segmentation and shape classification in mammograms using generative adversarial and convolutional neural network,” Expert Syst Appl, vol. 139, p. 112855, Jan. 2020, doi: 10.1016/j.eswa.2019.112855.“¿Qué es el machine learning? - Explicación sobre el machine learning empresarial - AWS.” Accessed: Nov. 02, 2023. [Online]. Available: https://aws.amazon.com/es/what-is/machine-learning/“Perceptron : qu’est-ce que c’est et à quoi ça sert ?” Accessed: Sep. 05, 2023. [Online]. Available: https://datascientest.com/es/perceptron-que-es-y-para-que-sirve“¿Qué es una red neuronal? - Explicación de las redes neuronales artificiales - AWS.” Accessed: Sep. 06, 2023. [Online]. Available: https://aws.amazon.com/es/what-is/neural-network/“¿Qué es el aprendizaje profundo? - Explicación del aprendizaje profundo - AWS.” Accessed: Nov. 02, 2023. [Online]. Available: https://aws.amazon.com/es/what-is/deep-learning/“Descripción del funcionamiento de una red neuronal convolucional (CNN)... | Download Scientific Diagram.” Accessed: Sep. 06, 2023. [Online]. Available: https://www.researchgate.net/figure/Figura-1-Descripcion-del-funcionamiento-de-una-red-neuronal-convolucional-CNN-10_fig1_348825166“¿Qué son las redes neuronales convolucionales? | IBM.” Accessed: Sep. 06, 2023. [Online]. Available: https://www.ibm.com/es-es/topics/convolutional-neural-networksO. Ronneberger, P. Fischer, and T. Brox, “U-Net: Convolutional Networks for Biomedical Image Segmentation,” May 2015, [Online]. Available: http://arxiv.org/abs/1505.04597“Max Pooling Definition | DeepAI.” Accessed: Nov. 02, 2023. [Online]. Available: https://deepai.org/machine-learning-glossary-and-terms/max-pooling“¿Qué es el sobreajuste? - Explicación del sobreajuste en machine learning - AWS.” Accessed: Nov. 02, 2023. [Online]. Available: https://aws.amazon.com/es/what-is/overfitting/“Regularization in Machine Learning - GeeksforGeeks.” Accessed: Nov. 02, 2023. [Online]. Available: https://www.geeksforgeeks.org/regularization-in-machine-learning/N. Srivastava, G. Hinton, A. Krizhevsky, and R. Salakhutdinov, “Dropout: A Simple Way to Prevent Neural Networks from Overfitting,” 2014.S. Ioffe and C. Szegedy, “Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift,” 32nd International Conference on Machine Learning, ICML 2015, vol. 1, pp. 448–456, Feb. 2015, Accessed: Sep. 06, 2023. [Online]. Available: https://arxiv.org/abs/1502.03167v3“Data augmentation-based color and geometry transformation. | Download Scientific Diagram.” Accessed: Sep. 06, 2023. [Online]. Available: https://www.researchgate.net/figure/Data-augmentation-based-color-and-geometry-transformation_fig4_342625631A. Mumuni and F. Mumuni, “Data augmentation: A comprehensive survey of modern approaches,” Array, vol. 16, p. 100258, Dec. 2022, doi: 10.1016/J.ARRAY.2022.100258.“Evaluating Image Segmentation Models | by Frank Liang | Towards Data Science.” Accessed: Nov. 02, 2023. [Online]. Available: https://towardsdatascience.com/evaluating-image-segmentation-models-1e9bb89a001bA. Mračko, L. Vanovčanová, and I. Cimrák, “Mammography Datasets for Neural Networks—Survey,” Journal of Imaging, vol. 9, no. 5. MDPI, May 01, 2023. doi: 10.3390/jimaging9050095.R. S. Lee, F. Gimenez, A. Hoogi, K. K. Miyake, M. Gorovoy, and D. L. Rubin, “A curated mammography data set for use in computer-aided detection and diagnosis research,” Sci Data, vol. 4, Dec. 2017, doi: 10.1038/SDATA.2017.177info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)https://creativecommons.org/licenses/by-nc-nd/4.0/Mamografia - Técnicas de aprendizaje profundoMamografía - Detección de imágenesCáncer de mamaImágenes mamográficasRedes neuronalesSegmentaciónBreast cancerMammographic imagesNeural networksSegmentationDetección de masas en imágenes de mamografía por medio de técnicas de aprendizaje profundoTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionPublicationLICENSElicense.txtlicense.txttext/plain; charset=utf-8134https://repositorio.unibague.edu.co/bitstreams/42e567f1-d6eb-41f9-b03c-628f91bd0fae/download2fa3e590786b9c0f3ceba1b9656b7ac3MD53ORIGINALTrabajo de grado.pdfTrabajo de grado.pdfapplication/pdf1289106https://repositorio.unibague.edu.co/bitstreams/c59d4943-9db6-4144-88fc-dd8f97363db5/download24bad4668ecf38b258183f8365ab3355MD51Formato de autorización.pdfFormato de autorización.pdfapplication/pdf161618https://repositorio.unibague.edu.co/bitstreams/591ceec8-6bf9-4589-aff2-05967000ea14/downloada51e13ecdfb23a5c2f4d63d394d01de9MD52TEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain58831https://repositorio.unibague.edu.co/bitstreams/7df554ba-4bb3-4131-a6f4-bb2936e23be1/download18a813696407652ddd91a99b6efbc7dcMD54Formato de autorización.pdf.txtFormato de autorización.pdf.txtExtracted texttext/plain3834https://repositorio.unibague.edu.co/bitstreams/d8f8078d-7ae6-498e-85b2-96ff200f61a8/downloadd5822fd014273b3938baad943468b934MD56THUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg6013https://repositorio.unibague.edu.co/bitstreams/837eea62-9613-4d5c-8270-989246c99a69/download13de21f92353573a21e0fd552b0e6714MD55Formato de autorización.pdf.jpgFormato de autorización.pdf.jpgGenerated Thumbnailimage/jpeg14214https://repositorio.unibague.edu.co/bitstreams/caf4cdbc-37d4-4956-a24a-5609461f1468/downloadde43de4e5c3fbedb2c8f1e6fe36c83beMD5720.500.12313/4175oai:repositorio.unibague.edu.co:20.500.12313/41752024-04-27 03:01:38.358https://creativecommons.org/licenses/by-nc-nd/4.0/https://repositorio.unibague.edu.coRepositorio Institucional Universidad de Ibaguébdigital@metabiblioteca.comQ3JlYXRpdmUgQ29tbW9ucyBBdHRyaWJ1dGlvbi1Ob25Db21tZXJjaWFsLU5vRGVyaXZhdGl2ZXMgNC4wIEludGVybmF0aW9uYWwgTGljZW5zZQ0KaHR0cHM6Ly9jcmVhdGl2ZWNvbW1vbnMub3JnL2xpY2Vuc2VzL2J5LW5jLW5kLzQuMC8=

Publicaciones similares