Generación de imágenes médicas mediante aprendizaje de máquinas

Este trabajo de grado se centró en la generación de imágenes médicas sintéticas utilizando modelos de aprendizaje automático, con el objetivo de mitigar la escasez de datos en el área de diagnóstico por imágenes. Se entrenaron y compararon dos enfoques principales: redes generativas adversarias (GAN...

Full description

Autores:: Moreno Sierra, Victor Andres
Laguna Guerrero, Luis Carlos

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2025

Institución:: Universidad de Ibagué

Repositorio:: Repositorio Universidad de Ibagué

Idioma:: spa

id	UNIBAGUE2_019244491c3a7ec25ef26f36112d72ec
oai_identifier_str	oai:repositorio.unibague.edu.co:20.500.12313/5377
network_acronym_str	UNIBAGUE2
network_name_str	Repositorio Universidad de Ibagué
repository_id_str
dc.title.spa.fl_str_mv	Generación de imágenes médicas mediante aprendizaje de máquinas
title	Generación de imágenes médicas mediante aprendizaje de máquinas
spellingShingle	Generación de imágenes médicas mediante aprendizaje de máquinas Resonancia magnética - Imágenes Redes Adversarias Generativas (GANs) Modelos probabilísticos de difusión mediante reducción de ruido (DDPM) Generación de imágenes médicas Aprendizaje de máquina Imágenes de resonancia magnética (MRI) Aprendizaje no supervisado Aumento de datos Generative Adversarial Networks (GANs) Denoising Diffusion Probabilistic Models (DDPM) Medical Image generation Machine Learning Magnetic Resonance Imaging (MRI) Unsupervised Learning Data augmentation
title_short	Generación de imágenes médicas mediante aprendizaje de máquinas
title_full	Generación de imágenes médicas mediante aprendizaje de máquinas
title_fullStr	Generación de imágenes médicas mediante aprendizaje de máquinas
title_full_unstemmed	Generación de imágenes médicas mediante aprendizaje de máquinas
title_sort	Generación de imágenes médicas mediante aprendizaje de máquinas
dc.creator.fl_str_mv	Moreno Sierra, Victor Andres Laguna Guerrero, Luis Carlos
dc.contributor.advisor.none.fl_str_mv	Forero Vargas, Manuel Guillermo
dc.contributor.author.none.fl_str_mv	Moreno Sierra, Victor Andres Laguna Guerrero, Luis Carlos
dc.contributor.jury.none.fl_str_mv	Fernández Gallego, Jose Armando
dc.subject.armarc.none.fl_str_mv	Resonancia magnética - Imágenes
topic	Resonancia magnética - Imágenes Redes Adversarias Generativas (GANs) Modelos probabilísticos de difusión mediante reducción de ruido (DDPM) Generación de imágenes médicas Aprendizaje de máquina Imágenes de resonancia magnética (MRI) Aprendizaje no supervisado Aumento de datos Generative Adversarial Networks (GANs) Denoising Diffusion Probabilistic Models (DDPM) Medical Image generation Machine Learning Magnetic Resonance Imaging (MRI) Unsupervised Learning Data augmentation
dc.subject.proposal.spa.fl_str_mv	Redes Adversarias Generativas (GANs) Modelos probabilísticos de difusión mediante reducción de ruido (DDPM) Generación de imágenes médicas Aprendizaje de máquina Imágenes de resonancia magnética (MRI) Aprendizaje no supervisado Aumento de datos
dc.subject.proposal.eng.fl_str_mv	Generative Adversarial Networks (GANs) Denoising Diffusion Probabilistic Models (DDPM) Medical Image generation Machine Learning Magnetic Resonance Imaging (MRI) Unsupervised Learning Data augmentation
description	Este trabajo de grado se centró en la generación de imágenes médicas sintéticas utilizando modelos de aprendizaje automático, con el objetivo de mitigar la escasez de datos en el área de diagnóstico por imágenes. Se entrenaron y compararon dos enfoques principales: redes generativas adversarias (GANs) y modelos de difusión (DDPM). En particular, se implementaron variantes como DCGAN, InfoGAN y un modelo DDPM basado en reducción de ruido, los cuales fueron evaluados mediante métricas como Fréchet Inception Distance (FID), Inception Score (IS) y Kernel Inception Distance (KID). Las imágenes generadas corresponden a resonancias magnéticas cerebrales de pacientes con distintos tipos de tumores. Los resultados permitieron identificar las fortalezas y limitaciones de cada enfoque, destacando el potencial de estas técnicas para apoyar la formación médica, el desarrollo de algoritmos clínicos y la investigación en contextos con acceso limitado a equipos especializados.
publishDate	2025
dc.date.accessioned.none.fl_str_mv	2025-07-25T21:11:15Z
dc.date.available.none.fl_str_mv	2025-07-25T21:11:15Z
dc.date.issued.none.fl_str_mv	2025
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	Moreno Sierra, V.A., & Laguna Guerrero, L.C., (2025). Generación de imágenes médicas mediante aprendizaje de máquinas. [Trabajo de grado. Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/5377
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/20.500.12313/5377
identifier_str_mv	Moreno Sierra, V.A., & Laguna Guerrero, L.C., (2025). Generación de imágenes médicas mediante aprendizaje de máquinas. [Trabajo de grado. Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/5377
url	https://hdl.handle.net/20.500.12313/5377
dc.language.iso.none.fl_str_mv	spa
language	spa
dc.relation.references.none.fl_str_mv	B. Sahiner et al., “Deep learning in medical imaging and radiation therapy,” Jan. 01, 2019, John Wiley and Sons Ltd. doi: 10.1002/mp.13264. G. Litjens et al., “A Survey on Deep Learning in Medical Image Analysis,” Jun. 2017, doi: 10.1016/j.media.2017.07.005. M. D. Kohli, R. M. Summers, and J. R. Geis, “Medical Image Data and Datasets in the Era of Machine Learning—Whitepaper from the 2016 C-MIMI Meeting Dataset Session,” J Digit Imaging, vol. 30, no. 4, pp. 392–399, Aug. 2017, doi: 10.1007/s10278-017-9976-3. R. Osuala et al., “Data synthesis and adversarial networks: A review and meta-analysis in cancer imaging,” Jul. 2021, doi: 10.1016/j.media.2022.102704. R. Osuala et al., “A Review of Generative Adversarial Networks in Cancer Imaging: New Applications, New Solutions,” Jul. 2021, doi: 10.1016/j.media.2022.102704. H.-C. Shin et al., “Medical Image Synthesis for Data Augmentation and Anonymization using Generative Adversarial Networks,” Jul. 2018, [Online]. Available: http://arxiv.org/abs/1807.10225 T. Iqbal and H. Ali, “Generative Adversarial Network for Medical Images (MI-GAN),” Oct. 2018, doi: 10.1007/s10916-018-1072-9. H. Uzunova, J. Ehrhardt, F. Jacob, A. Frydrychowicz, and H. Handels, “Multi-scale GANs for Memory-efficient Generation of High Resolution Medical Images,” Jul. 2019, [Online]. Available: http://arxiv.org/abs/1907.01376 J. Ho, A. Jain, and P. Abbeel, “Denoising Diffusion Probabilistic Models,” Jun. 2020, [Online]. Available: http://arxiv.org/abs/2006.11239 J. Song, C. Meng, and S. Ermon, “Denoising Diffusion Implicit Models,” Oct. 2020, [Online]. Available: http://arxiv.org/abs/2010.02502 Y. Song, J. Sohl-Dickstein, D. P. Kingma, A. Kumar, S. Ermon, and B. Poole, “Score-Based Generative Modeling through Stochastic Differential Equations,” Nov. 2020, [Online]. Available: http://arxiv.org/abs/2011.13456 R. Rombach, A. Blattmann, D. Lorenz, P. Esser, and B. Ommer, “High-Resolution Image Synthesis with Latent Diffusion Models,” Dec. 2021, [Online]. Available: http://arxiv.org/abs/2112.10752 H. Jiang et al., “Fast-DDPM: Fast Denoising Diffusion Probabilistic Models for Medical Image-to-Image Generation,” May 2024, [Online]. Available: http://arxiv.org/abs/2405.14802 P. Dhariwal and A. Nichol, “Diffusion Models Beat GANs on Image Synthesis,” May 2021, [Online]. Available: http://arxiv.org/abs/2105.05233 I. J. Goodfellow et al., “Generative Adversarial Nets.” [Online]. Available: http://www.github.com/goodfeli/adversarial A. Radford, L. Metz, and S. Chintala, “Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks,” Nov. 2015, [Online]. Available: http://arxiv.org/abs/1511.06434 X. Chen, Y. Duan, R. Houthooft, J. Schulman, I. Sutskever, and P. Abbeel, “InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets,” Jun. 2016, [Online]. Available: http://arxiv.org/abs/1606.03657 B. Sartaj, K. Ankita, B. Prajakta, D. Sameer, and K. Swati, “Brain Tumor Classification (MRI) Dataset,” 2020. F. L. Arredondo, J. Felipe, and C. Espinosa, “Estudio comparativo de técnicas basadas en Grad-CAM para la explicabilidad de redes neuronales.”
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 4.0 Internacional (CC BY-NC 4.0)
dc.rights.uri.none.fl_str_mv	https://creativecommons.org/licenses/by-nc/4.0/
eu_rights_str_mv	openAccess
rights_invalid_str_mv	http://purl.org/coar/access_right/c_abf2 Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0) https://creativecommons.org/licenses/by-nc/4.0/
dc.format.extent.none.fl_str_mv	53 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/5b48584b-a85d-47cd-a01b-1b6ffc0a3e19/download https://repositorio.unibague.edu.co/bitstreams/98201c2e-bcc7-4851-b927-bf85cba14694/download https://repositorio.unibague.edu.co/bitstreams/7b8f0d40-ca92-42c0-a00a-e497bba2c7bc/download https://repositorio.unibague.edu.co/bitstreams/78c07f58-6345-43b0-8e19-4cd6702eb029/download https://repositorio.unibague.edu.co/bitstreams/ff9e7af3-7019-4bd8-8302-4a53e140459e/download https://repositorio.unibague.edu.co/bitstreams/10ebefbc-7794-44cf-98bf-0fa7af62257e/download https://repositorio.unibague.edu.co/bitstreams/dbfe1fb6-4dde-4905-a1b3-813774162614/download
bitstream.checksum.fl_str_mv	bace29ce89227449e8596dbd1320f7a6 c4a858a33a341f600cf76c40b38db675 a03426a195daf3dcbaa8795387ac19a8 face33ab22168dc17f3cf06d53f6524b 21e7267f07be1889dd1b540f347c5854 0fd6f64a89d90c21b63f0518440a223e 2fa3e590786b9c0f3ceba1b9656b7ac3
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_	1851059976508801024
spelling	Forero Vargas, Manuel Guillermo187e7d0d-8326-49bc-8824-d0c7660437b7-1Moreno Sierra, Victor Andresc7d8e349-d9df-4828-a37c-1b7b6ec1364d-1Laguna Guerrero, Luis Carlosecf930ef-a6b5-4ce8-877a-65d0a27ad8aa-1Fernández Gallego, Jose Armando13f15360-a12b-4149-9932-b46907b213336002025-07-25T21:11:15Z2025-07-25T21:11:15Z2025Este trabajo de grado se centró en la generación de imágenes médicas sintéticas utilizando modelos de aprendizaje automático, con el objetivo de mitigar la escasez de datos en el área de diagnóstico por imágenes. Se entrenaron y compararon dos enfoques principales: redes generativas adversarias (GANs) y modelos de difusión (DDPM). En particular, se implementaron variantes como DCGAN, InfoGAN y un modelo DDPM basado en reducción de ruido, los cuales fueron evaluados mediante métricas como Fréchet Inception Distance (FID), Inception Score (IS) y Kernel Inception Distance (KID). Las imágenes generadas corresponden a resonancias magnéticas cerebrales de pacientes con distintos tipos de tumores. Los resultados permitieron identificar las fortalezas y limitaciones de cada enfoque, destacando el potencial de estas técnicas para apoyar la formación médica, el desarrollo de algoritmos clínicos y la investigación en contextos con acceso limitado a equipos especializados.La generación de imágenes médicas sintéticas mediante técnicas avanzadas de aprendizaje automático ha cobrado gran relevancia en la investigación debido a la disponibilidad limitada de conjuntos de datos de imágenes diagnósticas, ya sea por su costo o por el riesgo que representan algunas pruebas para los pacientes. Este proyecto se centra en analizar y comparar dos enfoques principales: las Redes Generativas Adversarias (GANs) y los Modelos Probabilísticos de Difusión por Eliminación de Ruido (DDPMs). La metodología consistió en revisar y contextualizar las técnicas existentes para la generación de imágenes médicas, con énfasis en GANs y DDPM, para luego implementar y entrenar modelos adaptados a este contexto. Posteriormente, se aplicaron métricas de evaluación para medir la calidad y fidelidad de las imágenes sintéticas generadas, comparándolas con imágenes reales y sus características clínicas. Finalmente, se analizó la eficiencia en el entrenamiento y rendimiento de los modelos, considerando la calidad de las imágenes, los tiempos de convergencia y la capacidad de generalización. Los modelos se entrenaron utilizando conjuntos de datos médicos disponibles y se ajustaron los parámetros de entrenamiento para optimizar su desempeño. Este estudio brinda un entendimiento más profundo de las fortalezas y limitaciones de cada técnica en el contexto de imágenes médicas, proporcionando lineamientos sobre cuándo y cómo emplearlas para mejorar la disponibilidad de datos sintéticos. Los resultados obtenidos se utilizaron en la construcción de conjuntos de datos más robustos y diversos, facilitando la investigación y el desarrollo de aplicaciones diagnósticas con menor dependencia de imágenes reales escasas o costosas.The generation of synthetic medical images using advanced machine learning techniques has gained significant relevance in research due to the limited availability of diagnostic imaging datasets, whether because of their cost or the risks that certain tests pose to patients. This project focuses on analyzing and comparing two main approaches: Generative Adversarial Networks (GANs) and Denoising Diffusion Probabilistic Models (DDPMs). The methodology involved reviewing and contextualizing existing techniques for medical image generation, with an emphasis on GANs and DDPMs, followed by the implementation and training of models adapted to this context. Subsequently, evaluation metrics were applied to measure the quality and fidelity of the generated synthetic images, comparing them with real images and their clinical characteristics. Finally, the training efficiency and model performance were analyzed, considering image quality, convergence times, and generalization capability. The models were trained using available medical datasets, and hyperparameters were fine-tuned to optimize performance. This study provides a deeper understanding of the strengths and limitations of each technique in the context of medical imaging, offering guidelines on when and how to employ them to improve the availability of synthetic data. The results obtained were used to build more robust and diverse datasets, facilitating research and the development of diagnostic applications with reduced reliance on scarce or costly real images.PregradoIngeniero ElectrónicoIntroducción.....11 Capítulo 1: Objetivo de estudio.....14 1.1 Planteamiento del problema.....14 1.2 Objetivos.....15 1.2.1 Objetivo general.....15 1.2.2 Objetivos específicos.....15 1.3 Estado del arte.....16 Capítulo 2: Marco Teórico.....18 2.1 Aprendizaje de máquinas.....18 2.1.1 Aprendizaje supervisado.....18 2.2 Procesamiento de imágenes.....18 2.3 Red neuronal.....18 2.3.1 Perceptrón.....19 2.3.2 Capas de la red neuronal.....19 2.3.3 Red neuronal convolucional.....19 2.3.4 Arquitectura de la red neuronal Convolucional.....19 2.4 Redes Generativas Adversarias (GANS).....20 2.4.1 Arquitectura GANS.....20 2.5 Aprendizaje de representación no supervisado con redes generativas antagónicas convolucionales profundas (DCGAN).....21 2.5.1 Arquitectura DCGAN.....22 2.6 Aprendizaje de representaciones interpretables mediante redes generativas adversarias que maximizan la información (InfoGAN).....23 2.6.1 Arquitectura InfoGAN.....24 2.7 Generación de imágenes médicas mediante modelos de difusión probabilística por reducción de ruido (DDPM).....25 2.7.1 Arquitectura DDPM.....25 2.8 Métricas de evaluación.....26 2.8.1 Inception Score (IS).....26 2.8.2 Fréchet Inception Distance (FID).....27 2.8.3 Kernel Inception Distance (KID).....27 Capítulo 3: Materiales.....28 3.1 Bases de datos.....28 3.2 Software y hardware.....28 Capítulo 4: Desarrollo.....29 4.1 Procesamiento de datos y preparación del conjunto de datos.....29 4.2 Normalización y redimensionamiento.....29 4.3 Implementación InfoGan.....29 4.3.1. Arquitectura del Modelo.....29 4.3.2. Función de objetivo.....29 4.3.3. Entrenamiento y optimización.....30 4.3.4. Generación de imágenes controlada.....30 4.4 Implementación DCGAN.....31 4.4.1 Generador.....31 4.4.2 Discriminador.....32 4.4.3 Función de pérdida.....32 4.4.4 Entrenamiento.....33 4.5 Implementación de la arquitectura de difusión.....33 4.5.1. Proceso de Difusión Directa.....34 4.5.2. Proceso de Difusión Inversa.....35 4.5.3. Función de pérdida.....36 4.5.4. Distribución inicial y proceso total.....36 4.5.5. Inferencia variacional.....36 4.5.6. Generación de imágenes.....37 Capítulo 5: Resultados.....38 Capítulo 6: Conclusiones y Recomendaciones.....50 Anexos.....52 Referencias Bibliográficas.....5353 páginasapplication/pdfMoreno Sierra, V.A., & Laguna Guerrero, L.C., (2025). Generación de imágenes médicas mediante aprendizaje de máquinas. [Trabajo de grado. Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/5377https://hdl.handle.net/20.500.12313/5377spaUniversidad de IbaguéIngenieríaIbaguéIngeniería ElectrónicaB. Sahiner et al., “Deep learning in medical imaging and radiation therapy,” Jan. 01, 2019, John Wiley and Sons Ltd. doi: 10.1002/mp.13264.G. Litjens et al., “A Survey on Deep Learning in Medical Image Analysis,” Jun. 2017, doi: 10.1016/j.media.2017.07.005.M. D. Kohli, R. M. Summers, and J. R. Geis, “Medical Image Data and Datasets in the Era of Machine Learning—Whitepaper from the 2016 C-MIMI Meeting Dataset Session,” J Digit Imaging, vol. 30, no. 4, pp. 392–399, Aug. 2017, doi: 10.1007/s10278-017-9976-3.R. Osuala et al., “Data synthesis and adversarial networks: A review and meta-analysis in cancer imaging,” Jul. 2021, doi: 10.1016/j.media.2022.102704.R. Osuala et al., “A Review of Generative Adversarial Networks in Cancer Imaging: New Applications, New Solutions,” Jul. 2021, doi: 10.1016/j.media.2022.102704.H.-C. Shin et al., “Medical Image Synthesis for Data Augmentation and Anonymization using Generative Adversarial Networks,” Jul. 2018, [Online]. Available: http://arxiv.org/abs/1807.10225T. Iqbal and H. Ali, “Generative Adversarial Network for Medical Images (MI-GAN),” Oct. 2018, doi: 10.1007/s10916-018-1072-9.H. Uzunova, J. Ehrhardt, F. Jacob, A. Frydrychowicz, and H. Handels, “Multi-scale GANs for Memory-efficient Generation of High Resolution Medical Images,” Jul. 2019, [Online]. Available: http://arxiv.org/abs/1907.01376J. Ho, A. Jain, and P. Abbeel, “Denoising Diffusion Probabilistic Models,” Jun. 2020, [Online]. Available: http://arxiv.org/abs/2006.11239J. Song, C. Meng, and S. Ermon, “Denoising Diffusion Implicit Models,” Oct. 2020, [Online]. Available: http://arxiv.org/abs/2010.02502Y. Song, J. Sohl-Dickstein, D. P. Kingma, A. Kumar, S. Ermon, and B. Poole, “Score-Based Generative Modeling through Stochastic Differential Equations,” Nov. 2020, [Online]. Available: http://arxiv.org/abs/2011.13456R. Rombach, A. Blattmann, D. Lorenz, P. Esser, and B. Ommer, “High-Resolution Image Synthesis with Latent Diffusion Models,” Dec. 2021, [Online]. Available: http://arxiv.org/abs/2112.10752H. Jiang et al., “Fast-DDPM: Fast Denoising Diffusion Probabilistic Models for Medical Image-to-Image Generation,” May 2024, [Online]. Available: http://arxiv.org/abs/2405.14802P. Dhariwal and A. Nichol, “Diffusion Models Beat GANs on Image Synthesis,” May 2021, [Online]. Available: http://arxiv.org/abs/2105.05233I. J. Goodfellow et al., “Generative Adversarial Nets.” [Online]. Available: http://www.github.com/goodfeli/adversarialA. Radford, L. Metz, and S. Chintala, “Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks,” Nov. 2015, [Online]. Available: http://arxiv.org/abs/1511.06434X. Chen, Y. Duan, R. Houthooft, J. Schulman, I. Sutskever, and P. Abbeel, “InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets,” Jun. 2016, [Online]. Available: http://arxiv.org/abs/1606.03657B. Sartaj, K. Ankita, B. Prajakta, D. Sameer, and K. Swati, “Brain Tumor Classification (MRI) Dataset,” 2020.F. L. Arredondo, J. Felipe, and C. Espinosa, “Estudio comparativo de técnicas basadas en Grad-CAM para la explicabilidad de redes neuronales.”info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)https://creativecommons.org/licenses/by-nc/4.0/Resonancia magnética - ImágenesRedes Adversarias Generativas (GANs)Modelos probabilísticos de difusión mediante reducción de ruido (DDPM)Generación de imágenes médicasAprendizaje de máquinaImágenes de resonancia magnética (MRI)Aprendizaje no supervisadoAumento de datosGenerative Adversarial Networks (GANs)Denoising Diffusion Probabilistic Models (DDPM)Medical Image generationMachine LearningMagnetic Resonance Imaging (MRI)Unsupervised LearningData augmentationGeneración de imágenes médicas mediante aprendizaje de máquinasTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionPublicationTEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain104443https://repositorio.unibague.edu.co/bitstreams/5b48584b-a85d-47cd-a01b-1b6ffc0a3e19/downloadbace29ce89227449e8596dbd1320f7a6MD58Formato de autorización.pdf.txtFormato de autorización.pdf.txtExtracted texttext/plain3743https://repositorio.unibague.edu.co/bitstreams/98201c2e-bcc7-4851-b927-bf85cba14694/downloadc4a858a33a341f600cf76c40b38db675MD510THUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgIM Thumbnailimage/jpeg7927https://repositorio.unibague.edu.co/bitstreams/7b8f0d40-ca92-42c0-a00a-e497bba2c7bc/downloada03426a195daf3dcbaa8795387ac19a8MD59Formato de autorización.pdf.jpgFormato de autorización.pdf.jpgIM Thumbnailimage/jpeg23148https://repositorio.unibague.edu.co/bitstreams/78c07f58-6345-43b0-8e19-4cd6702eb029/downloadface33ab22168dc17f3cf06d53f6524bMD511ORIGINALTrabajo de grado.pdfTrabajo de grado.pdfapplication/pdf1503506https://repositorio.unibague.edu.co/bitstreams/ff9e7af3-7019-4bd8-8302-4a53e140459e/download21e7267f07be1889dd1b540f347c5854MD51Formato de autorización.pdfFormato de autorización.pdfapplication/pdf160971https://repositorio.unibague.edu.co/bitstreams/10ebefbc-7794-44cf-98bf-0fa7af62257e/download0fd6f64a89d90c21b63f0518440a223eMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-8134https://repositorio.unibague.edu.co/bitstreams/dbfe1fb6-4dde-4905-a1b3-813774162614/download2fa3e590786b9c0f3ceba1b9656b7ac3MD5320.500.12313/5377oai:repositorio.unibague.edu.co:20.500.12313/53772025-08-13 01:10:15.423https://creativecommons.org/licenses/by-nc/4.0/https://repositorio.unibague.edu.coRepositorio Institucional Universidad de Ibaguébdigital@metabiblioteca.comQ3JlYXRpdmUgQ29tbW9ucyBBdHRyaWJ1dGlvbi1Ob25Db21tZXJjaWFsLU5vRGVyaXZhdGl2ZXMgNC4wIEludGVybmF0aW9uYWwgTGljZW5zZQ0KaHR0cHM6Ly9jcmVhdGl2ZWNvbW1vbnMub3JnL2xpY2Vuc2VzL2J5LW5jLW5kLzQuMC8=

Generación de imágenes médicas mediante aprendizaje de máquinas

Publicaciones similares