Evaluación de técnicas para la detección de nódulos pulmonares en tomografías computarizadas

El cáncer de pulmón es el tercer cáncer más frecuente y la principal causa de muerte relacionada con el cáncer en el mundo. Este cáncer tiene una alta letalidad con una supervivencia global del 16% a los cinco años. Los síntomas son inespecíficos, por lo que el diagnóstico suele retrasarse. Para log...

Full description

Autores:
Santos Naranjo, José Miguel
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:20.500.12313/4822
Acceso en línea:
https://hdl.handle.net/20.500.12313/4822
Palabra clave:
Tomografías pulmonares
Nódulos pulmonares - Tomografía
Cáncer de pulmón
Aprendizaje profundo
Nódulos
Tomografía computarizada
Red neuronal convolucional
Lung cancer
Early diagnosis
Deep Learning
Medical imaging
Nodules
Computer tomography
Convolutional neural network
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
id UNIBAGUE2_32a3ff18c795d3e235a06037a57f7ae3
oai_identifier_str oai:repositorio.unibague.edu.co:20.500.12313/4822
network_acronym_str UNIBAGUE2
network_name_str Repositorio Universidad de Ibagué
repository_id_str
dc.title.spa.fl_str_mv Evaluación de técnicas para la detección de nódulos pulmonares en tomografías computarizadas
title Evaluación de técnicas para la detección de nódulos pulmonares en tomografías computarizadas
spellingShingle Evaluación de técnicas para la detección de nódulos pulmonares en tomografías computarizadas
Tomografías pulmonares
Nódulos pulmonares - Tomografía
Cáncer de pulmón
Aprendizaje profundo
Nódulos
Tomografía computarizada
Red neuronal convolucional
Lung cancer
Early diagnosis
Deep Learning
Medical imaging
Nodules
Computer tomography
Convolutional neural network
title_short Evaluación de técnicas para la detección de nódulos pulmonares en tomografías computarizadas
title_full Evaluación de técnicas para la detección de nódulos pulmonares en tomografías computarizadas
title_fullStr Evaluación de técnicas para la detección de nódulos pulmonares en tomografías computarizadas
title_full_unstemmed Evaluación de técnicas para la detección de nódulos pulmonares en tomografías computarizadas
title_sort Evaluación de técnicas para la detección de nódulos pulmonares en tomografías computarizadas
dc.creator.fl_str_mv Santos Naranjo, José Miguel
dc.contributor.advisor.none.fl_str_mv Forero Vargas, Manuel Guillermo
dc.contributor.author.none.fl_str_mv Santos Naranjo, José Miguel
dc.subject.armarc.none.fl_str_mv Tomografías pulmonares
Nódulos pulmonares - Tomografía
topic Tomografías pulmonares
Nódulos pulmonares - Tomografía
Cáncer de pulmón
Aprendizaje profundo
Nódulos
Tomografía computarizada
Red neuronal convolucional
Lung cancer
Early diagnosis
Deep Learning
Medical imaging
Nodules
Computer tomography
Convolutional neural network
dc.subject.proposal.spa.fl_str_mv Cáncer de pulmón
Aprendizaje profundo
Nódulos
Tomografía computarizada
Red neuronal convolucional
dc.subject.proposal.eng.fl_str_mv Lung cancer
Early diagnosis
Deep Learning
Medical imaging
Nodules
Computer tomography
Convolutional neural network
description El cáncer de pulmón es el tercer cáncer más frecuente y la principal causa de muerte relacionada con el cáncer en el mundo. Este cáncer tiene una alta letalidad con una supervivencia global del 16% a los cinco años. Los síntomas son inespecíficos, por lo que el diagnóstico suele retrasarse. Para lograr un diagnóstico más temprano e iniciar el tratamiento en una fase no avanzada del cáncer para reducir la mortalidad, se realizan tomografías computarizadas de alta resolución (TC). Por lo tanto, se requieren técnicas avanzadas de procesamiento de imágenes y aprendizaje automático, ya que el gran volumen de imágenes que generan los equipos médicos hace que se revise mucha información para realizar un diagnóstico médico. Para el diagnóstico, las imágenes son analizadas por los especialistas para encontrar nódulos, medirlos y evaluarlos. Sin embargo, los nódulos encontrados en los pulmones tienen diferentes formas, dimensiones y texturas, lo que dificulta su identificación. Por ello, este trabajo presenta la implementación, análisis y evaluación de técnicas de aprendizaje profundo para la segmentación y clasificación de nódulos pulmonares en TAC, dando como resultado modelos de predicción con un porcentaje de precisión del 95,59% en la etapa de segmentación y un 97% en la etapa de clasificación para reducción de falsos positivos y se discute sobre una tercera etapa de clasificación por texturas. Según la plataforma “Grand Challenge”, son los mejores porcentajes de precisión a nivel mundial actualmente.
publishDate 2023
dc.date.issued.none.fl_str_mv 2023
dc.date.accessioned.none.fl_str_mv 2025-03-13T16:16:46Z
dc.date.available.none.fl_str_mv 2025-03-13T16:16:46Z
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 Santos Naranjo, J.M. (2023). Evaluación de técnicas para la detección de nódulos pulmonares en tomografías computarizadas. [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4822
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12313/4822
identifier_str_mv Santos Naranjo, J.M. (2023). Evaluación de técnicas para la detección de nódulos pulmonares en tomografías computarizadas. [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4822
url https://hdl.handle.net/20.500.12313/4822
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv World health organization. International agency for research on cancer. Global cancer observatory. 2022.
Grand Challenge. [en línea] grand-challenge.org.
Hua, K. L., Hsu, C. H., Hidayati, S. C., Cheng, W. H., & Chen, Y. J. (2015). Computer-aided classification of lung nodules on computed tomography images via deep learning technique. OncoTargets and therapy, 8.
Selvapandian A, Nagendra Prabhu S, Sivakumar P, Jagannadha Rao D B, Lung Cancer Detection and Severity Level Classification Using Sine Cosine Sail Fish Optimization Based Generative Adversarial Network with CT Images, The Computer Journal, Volume 65, Issue 6, June 2022, Pages 1611–1630, https://doi.org/10.1093/comjnl/bxab141
Zhang, G., Yang, Z., Gong, L., Jiang, S., Wang, L., 2019. Classification of benign and malignant lung nodules from CT images based on hybrid features. Phys. Med. Biol. 64 (12), 125011. http://dx.doi.org/10.1088/1361-6560/ab2544.
Jianxin Feng, Jun Jiang, "Deep Learning-Based Chest CT Image Features in Diagnosis of Lung Cancer", Computational and Mathematical Methods in Medicine, vol. 2022, Article ID 4153211, 7 pages, 2022. https://doi.org/10.1155/2022/4153211
Gopi Kasinathan, Selvakumar Jayakumar, "Cloud-Based Lung Tumor Detection and Stage Classification Using Deep Learning Techniques", BioMed Research International, vol. 2022, Article ID 4185835, 17 pages, 2022. https://doi.org/10.1155/2022/4185835
Zambrano Rafael. Openwebinar. Modelos de machine learning. 2019.
El curioso. El gen curioso. Diferencias entre dendritas y axones. Marzo 22 de 2022.
Akshay L Chandra. Towards data science. Perceptron: The artificial neuron. 2018.
Manjarrez Lino, Garcia Silvia. Relaciones Neuronales Para Determinar la Atenuación del Valor de la Aceleración Máxima en Superficie de Sitios en Roca Para Zonas de Subducción - Scientific Figure on ResearchGate. Junio 2014.
Manjarrez Lino, Garcia Silvia. Relaciones Neuronales Para Determinar la Atenuación del Valor de la Aceleración Máxima en Superficie de Sitios en Roca Para Zonas de Subducción - Scientific Figure on ResearchGate. Junio 2014.
Y. LeCun, L. Bottou, Y. Bengio, P. Haffner et al., “Gradient-based learning applied to document recognition,” Proceedings of the IEEE, vol. 86, no. 11, pp. 2278–2324, 1998.
Larranaga Pedro, ̃ Inaki ̃ Inza, Abdelmalik Moujahid Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco–Euskal Herriko Unibertsitatea
DataScientest. U-NET: todo lo que tienes que saber sobre la red neuronal de computer vision. 2022.
KEEPCODING. Tech school. Arquitectura VGG16 y VGG19 en Aprendizaje Profundo. 2022.
Mariano Rivera. La red Residual (Residual Netork, ResNet). 2019.
Forero, M. G., & Santos, J. M. (2021, August). Analysis of lung cancer clinical diagnosis based on nodule detection from computed tomography images. In Applications of Digital Image Processing XLIV (Vol. 11842, pp. 652-662). SPIE.
Forero, M. G., & Santos, J. M. (2021, August). Evaluation of deep learning techniques for the detection of pulmonary nodules in computer tomography scans. In Applications of Digital Image Processing XLIV (Vol. 11842, pp. 335-341). SPIE.
Li, Shuai & Luo, Yukui & Sun, Kuangyuan & Yadav, Nandakishor & Choi, Kyuwon. (2020). A Novel FPGA Accelerator Design for Real-Time and Ultra-Low Power Deep Convolutional Neural Networks Compared with Titan X GPU. IEEE Access. PP. 1-1. 10.1109/ACCESS.2020.3000009.
Russakovsky Olga, Jia Deng, Hao Su, Krause Jonathan, Sanjeev Satheesh, Sean Ma, Zhiheng Huang, Andrej Karpathy, Aditya Khosla, Bernstein Michael, C. Alexander Berg and Li Fei-Fei. ImageNet Large Scale Visual Recognition Challenge. IJCV, 2015.
Sudipta Modaka , Esam Abdel-Raheema, and Ruedab Luis . Applications of deep learning in disease diagnosis of chest radiographs: A survey on materials and methods. 2022.
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 103 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/3787a8d8-5543-484e-8469-21fc9f9663b2/download
https://repositorio.unibague.edu.co/bitstreams/84a1d1af-9501-4057-8338-0b91fc364b52/download
https://repositorio.unibague.edu.co/bitstreams/80ef4cba-81e5-4b57-a94c-15d95020c4aa/download
https://repositorio.unibague.edu.co/bitstreams/7d5dd03f-2c3c-4317-bf15-57d610ddd8be/download
https://repositorio.unibague.edu.co/bitstreams/5a1d2fa5-6fba-426b-b3f8-0d3982d863a0/download
https://repositorio.unibague.edu.co/bitstreams/43bddf71-31a6-43c0-b1b3-d4eccdc3c624/download
https://repositorio.unibague.edu.co/bitstreams/2113362e-784c-4e4e-8f24-f85d0b042338/download
bitstream.checksum.fl_str_mv 39a21fb78fe9a60adfdb62c4ac6169c7
9d9c5b68030d5651e230563a2f301f71
2fa3e590786b9c0f3ceba1b9656b7ac3
af2be2b633ff0aa59ba2d651629bb2db
ff4c8ff01d544500ea4bfea43e6108c1
99a43da6288baa750b2a0454ee433c4c
fbe7dda6cde31ff800c0830dfc26ddc4
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_ 1851059993265045504
spelling Forero Vargas, Manuel Guillermo187e7d0d-8326-49bc-8824-d0c7660437b7-1Santos Naranjo, José Miguel5d963923-7d1a-43d8-843c-f030aa19d6c7-12025-03-13T16:16:46Z2025-03-13T16:16:46Z2023El cáncer de pulmón es el tercer cáncer más frecuente y la principal causa de muerte relacionada con el cáncer en el mundo. Este cáncer tiene una alta letalidad con una supervivencia global del 16% a los cinco años. Los síntomas son inespecíficos, por lo que el diagnóstico suele retrasarse. Para lograr un diagnóstico más temprano e iniciar el tratamiento en una fase no avanzada del cáncer para reducir la mortalidad, se realizan tomografías computarizadas de alta resolución (TC). Por lo tanto, se requieren técnicas avanzadas de procesamiento de imágenes y aprendizaje automático, ya que el gran volumen de imágenes que generan los equipos médicos hace que se revise mucha información para realizar un diagnóstico médico. Para el diagnóstico, las imágenes son analizadas por los especialistas para encontrar nódulos, medirlos y evaluarlos. Sin embargo, los nódulos encontrados en los pulmones tienen diferentes formas, dimensiones y texturas, lo que dificulta su identificación. Por ello, este trabajo presenta la implementación, análisis y evaluación de técnicas de aprendizaje profundo para la segmentación y clasificación de nódulos pulmonares en TAC, dando como resultado modelos de predicción con un porcentaje de precisión del 95,59% en la etapa de segmentación y un 97% en la etapa de clasificación para reducción de falsos positivos y se discute sobre una tercera etapa de clasificación por texturas. Según la plataforma “Grand Challenge”, son los mejores porcentajes de precisión a nivel mundial actualmente.Lung cancer is the third most common cancer and the leading cause of cancer-related death in the world. This cancer has a high lethality with an overall survival of 16% at five years. Symptoms are nonspecific, so diagnosis is often delayed. To achieve earlier diagnosis and initiate treatment at a non-advanced stage of the cancer to reduce mortality, high-resolution computed tomography (CT) scans are performed. Therefore, advanced image processing and machine learning techniques are required, as the large volume of images generated by medical equipment means that a lot of information is reviewed to make a medical diagnosis. For diagnosis, images are analyzed by specialists to find nodules, measure and evaluate them. However, the nodules found in the lungs have different shapes, dimensions and textures, which makes their identification difficult. Therefore, this paper presents the implementation, analysis and evaluation of deep learning techniques for the detection and classification of pulmonary nodules in CT, resulting in prediction models with an accuracy rate of 95.59% in the segmentation stage and 97% in the classification stage to reduce false positives, and a third stage of classification by textures is discussed. According to the Grand Challenge platform, these are the best accuracy rates worldwide at present.PregradoIngeniero ElectrónicoResumen.....5 Lista de figuras.....9 Lista de tablas.....11 Introducción.....12 1. Objeto de estudio.....13 1.1 Planteamiento del problema.....13 1.2 Objetivos.....14 1.2.1 Objetivo General.....14 1.2.2 Objetivos específicos.....14 1.3 Estado del arte.....14 2. Marco teórico.....15 2.1 Procesamiento de imágenes.....15 2.2 Aprendizaje de máquinas.....15 2.3 Aprendizaje supervisado.....16 2.4 Perceptrón.....16 2.5 Redes neuronales.....17 2.6 Aprendizaje profundo.....18 2.7 Redes neuronales convolucionales (CNN).....19 2.8 Maxpooling.....20 2.9 Arquitectura de aprendizaje.....20 2.10 UNET.....20 2.11 Vgg16 y Vgg19.....21 2.12 Resnet.....22 2.13 Exactitud.....23 2.14 Precisión.....23 2.15 Exhaustividad.....24 2.16 F1 score.....24 2.17 Matriz de confusión.....24 2.18 Procesamiento de imágenes.....24 3. Materiales.....24 3.1 LNDb.....25 3.2 LUNA.....26 4. Análisis estadístico.....31 5. Segmentación.....42 6. Implementación de las arquitecturas.....49 7. Clasificación.....50 8. Resultados.....52 8.1 Resultados de la segmentación.....52 8.2 Resultados de la clasificación.....54 8.2.1 Resultados de la clasificación con aumento de datos.....64 Conclusiones y recomendaciones.....70 Referencias bibliográficas.....72 Anexos.....76103 páginasapplication/pdfSantos Naranjo, J.M. (2023). Evaluación de técnicas para la detección de nódulos pulmonares en tomografías computarizadas. [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4822https://hdl.handle.net/20.500.12313/4822spaUniversidad de IbaguéIngenieríaIbaguéIngeniería ElectrónicaWorld health organization. International agency for research on cancer. Global cancer observatory. 2022.Grand Challenge. [en línea] grand-challenge.org.Hua, K. L., Hsu, C. H., Hidayati, S. C., Cheng, W. H., & Chen, Y. J. (2015). Computer-aided classification of lung nodules on computed tomography images via deep learning technique. OncoTargets and therapy, 8.Selvapandian A, Nagendra Prabhu S, Sivakumar P, Jagannadha Rao D B, Lung Cancer Detection and Severity Level Classification Using Sine Cosine Sail Fish Optimization Based Generative Adversarial Network with CT Images, The Computer Journal, Volume 65, Issue 6, June 2022, Pages 1611–1630, https://doi.org/10.1093/comjnl/bxab141Zhang, G., Yang, Z., Gong, L., Jiang, S., Wang, L., 2019. Classification of benign and malignant lung nodules from CT images based on hybrid features. Phys. Med. Biol. 64 (12), 125011. http://dx.doi.org/10.1088/1361-6560/ab2544.Jianxin Feng, Jun Jiang, "Deep Learning-Based Chest CT Image Features in Diagnosis of Lung Cancer", Computational and Mathematical Methods in Medicine, vol. 2022, Article ID 4153211, 7 pages, 2022. https://doi.org/10.1155/2022/4153211Gopi Kasinathan, Selvakumar Jayakumar, "Cloud-Based Lung Tumor Detection and Stage Classification Using Deep Learning Techniques", BioMed Research International, vol. 2022, Article ID 4185835, 17 pages, 2022. https://doi.org/10.1155/2022/4185835Zambrano Rafael. Openwebinar. Modelos de machine learning. 2019.El curioso. El gen curioso. Diferencias entre dendritas y axones. Marzo 22 de 2022.Akshay L Chandra. Towards data science. Perceptron: The artificial neuron. 2018.Manjarrez Lino, Garcia Silvia. Relaciones Neuronales Para Determinar la Atenuación del Valor de la Aceleración Máxima en Superficie de Sitios en Roca Para Zonas de Subducción - Scientific Figure on ResearchGate. Junio 2014.Manjarrez Lino, Garcia Silvia. Relaciones Neuronales Para Determinar la Atenuación del Valor de la Aceleración Máxima en Superficie de Sitios en Roca Para Zonas de Subducción - Scientific Figure on ResearchGate. Junio 2014.Y. LeCun, L. Bottou, Y. Bengio, P. Haffner et al., “Gradient-based learning applied to document recognition,” Proceedings of the IEEE, vol. 86, no. 11, pp. 2278–2324, 1998.Larranaga Pedro, ̃ Inaki ̃ Inza, Abdelmalik Moujahid Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco–Euskal Herriko UnibertsitateaDataScientest. U-NET: todo lo que tienes que saber sobre la red neuronal de computer vision. 2022.KEEPCODING. Tech school. Arquitectura VGG16 y VGG19 en Aprendizaje Profundo. 2022.Mariano Rivera. La red Residual (Residual Netork, ResNet). 2019.Forero, M. G., & Santos, J. M. (2021, August). Analysis of lung cancer clinical diagnosis based on nodule detection from computed tomography images. In Applications of Digital Image Processing XLIV (Vol. 11842, pp. 652-662). SPIE.Forero, M. G., & Santos, J. M. (2021, August). Evaluation of deep learning techniques for the detection of pulmonary nodules in computer tomography scans. In Applications of Digital Image Processing XLIV (Vol. 11842, pp. 335-341). SPIE.Li, Shuai & Luo, Yukui & Sun, Kuangyuan & Yadav, Nandakishor & Choi, Kyuwon. (2020). A Novel FPGA Accelerator Design for Real-Time and Ultra-Low Power Deep Convolutional Neural Networks Compared with Titan X GPU. IEEE Access. PP. 1-1. 10.1109/ACCESS.2020.3000009.Russakovsky Olga, Jia Deng, Hao Su, Krause Jonathan, Sanjeev Satheesh, Sean Ma, Zhiheng Huang, Andrej Karpathy, Aditya Khosla, Bernstein Michael, C. Alexander Berg and Li Fei-Fei. ImageNet Large Scale Visual Recognition Challenge. IJCV, 2015.Sudipta Modaka , Esam Abdel-Raheema, and Ruedab Luis . Applications of deep learning in disease diagnosis of chest radiographs: A survey on materials and methods. 2022.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/Tomografías pulmonaresNódulos pulmonares - TomografíaCáncer de pulmónAprendizaje profundoNódulosTomografía computarizadaRed neuronal convolucionalLung cancerEarly diagnosisDeep LearningMedical imagingNodulesComputer tomographyConvolutional neural networkEvaluación de técnicas para la detección de nódulos pulmonares en tomografías computarizadasTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionPublicationORIGINALTrabajo de grado.pdfTrabajo de grado.pdfapplication/pdf8825690https://repositorio.unibague.edu.co/bitstreams/3787a8d8-5543-484e-8469-21fc9f9663b2/download39a21fb78fe9a60adfdb62c4ac6169c7MD51Formato de autorización.pdfFormato de autorización.pdfapplication/pdf139029https://repositorio.unibague.edu.co/bitstreams/84a1d1af-9501-4057-8338-0b91fc364b52/download9d9c5b68030d5651e230563a2f301f71MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-8134https://repositorio.unibague.edu.co/bitstreams/80ef4cba-81e5-4b57-a94c-15d95020c4aa/download2fa3e590786b9c0f3ceba1b9656b7ac3MD53TEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain101984https://repositorio.unibague.edu.co/bitstreams/7d5dd03f-2c3c-4317-bf15-57d610ddd8be/downloadaf2be2b633ff0aa59ba2d651629bb2dbMD58Formato de autorización.pdf.txtFormato de autorización.pdf.txtExtracted texttext/plain4https://repositorio.unibague.edu.co/bitstreams/5a1d2fa5-6fba-426b-b3f8-0d3982d863a0/downloadff4c8ff01d544500ea4bfea43e6108c1MD510THUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgIM Thumbnailimage/jpeg11298https://repositorio.unibague.edu.co/bitstreams/43bddf71-31a6-43c0-b1b3-d4eccdc3c624/download99a43da6288baa750b2a0454ee433c4cMD59Formato de autorización.pdf.jpgFormato de autorización.pdf.jpgIM Thumbnailimage/jpeg20577https://repositorio.unibague.edu.co/bitstreams/2113362e-784c-4e4e-8f24-f85d0b042338/downloadfbe7dda6cde31ff800c0830dfc26ddc4MD51120.500.12313/4822oai:repositorio.unibague.edu.co:20.500.12313/48222025-08-13 01:18:21.851https://creativecommons.org/licenses/by-nc/4.0/https://repositorio.unibague.edu.coRepositorio Institucional Universidad de Ibaguébdigital@metabiblioteca.comQ3JlYXRpdmUgQ29tbW9ucyBBdHRyaWJ1dGlvbi1Ob25Db21tZXJjaWFsLU5vRGVyaXZhdGl2ZXMgNC4wIEludGVybmF0aW9uYWwgTGljZW5zZQ0KaHR0cHM6Ly9jcmVhdGl2ZWNvbW1vbnMub3JnL2xpY2Vuc2VzL2J5LW5jLW5kLzQuMC8=

Publicaciones similares