Estudio de técnica para la detección de tumores cerebrales mediante aprendizaje de máquinas

El cáncer cerebral es una de las enfermedades más letales y difíciles de tratar, manifestándose físicamente por la aparición de tumores. Un tumor cerebral es una masa o bulto de células anormales que aparecen en este órgano. La tasa de crecimiento y la ubicación del tumor determinan la forma en que...

Full description

Autores:
Blanco Padilla, Elizabeth
Salcedo Roa, Jennyfer Andrea
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:20.500.12313/4818
Acceso en línea:
https://hdl.handle.net/20.500.12313/4818
Palabra clave:
Tumores cerebrales - Detección
Tumores cerebrales - Detección - Aprendizaje de máquinas
Tumores Cerebrales
Resonancia magnética
Redes neuronales
Aprendizaje profundo
Brain tumors
Magnetic resonance imaging
Neural networks
Deep learning
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
id UNIBAGUE2_ab63246a337d4cef2502c2bb0f70365f
oai_identifier_str oai:repositorio.unibague.edu.co:20.500.12313/4818
network_acronym_str UNIBAGUE2
network_name_str Repositorio Universidad de Ibagué
repository_id_str
dc.title.spa.fl_str_mv Estudio de técnica para la detección de tumores cerebrales mediante aprendizaje de máquinas
title Estudio de técnica para la detección de tumores cerebrales mediante aprendizaje de máquinas
spellingShingle Estudio de técnica para la detección de tumores cerebrales mediante aprendizaje de máquinas
Tumores cerebrales - Detección
Tumores cerebrales - Detección - Aprendizaje de máquinas
Tumores Cerebrales
Resonancia magnética
Redes neuronales
Aprendizaje profundo
Brain tumors
Magnetic resonance imaging
Neural networks
Deep learning
title_short Estudio de técnica para la detección de tumores cerebrales mediante aprendizaje de máquinas
title_full Estudio de técnica para la detección de tumores cerebrales mediante aprendizaje de máquinas
title_fullStr Estudio de técnica para la detección de tumores cerebrales mediante aprendizaje de máquinas
title_full_unstemmed Estudio de técnica para la detección de tumores cerebrales mediante aprendizaje de máquinas
title_sort Estudio de técnica para la detección de tumores cerebrales mediante aprendizaje de máquinas
dc.creator.fl_str_mv Blanco Padilla, Elizabeth
Salcedo Roa, Jennyfer Andrea
dc.contributor.advisor.none.fl_str_mv Forero Vargas, Manuel Guillermo
dc.contributor.author.none.fl_str_mv Blanco Padilla, Elizabeth
Salcedo Roa, Jennyfer Andrea
dc.subject.armarc.none.fl_str_mv Tumores cerebrales - Detección
Tumores cerebrales - Detección - Aprendizaje de máquinas
topic Tumores cerebrales - Detección
Tumores cerebrales - Detección - Aprendizaje de máquinas
Tumores Cerebrales
Resonancia magnética
Redes neuronales
Aprendizaje profundo
Brain tumors
Magnetic resonance imaging
Neural networks
Deep learning
dc.subject.proposal.spa.fl_str_mv Tumores Cerebrales
Resonancia magnética
Redes neuronales
Aprendizaje profundo
dc.subject.proposal.eng.fl_str_mv Brain tumors
Magnetic resonance imaging
Neural networks
Deep learning
description El cáncer cerebral es una de las enfermedades más letales y difíciles de tratar, manifestándose físicamente por la aparición de tumores. Un tumor cerebral es una masa o bulto de células anormales que aparecen en este órgano. La tasa de crecimiento y la ubicación del tumor determinan la forma en que afectan el funcionamiento del sistema nervioso. La etiología de los tumores cerebrales está suficientemente caracterizada y la relación de la contribución de las condiciones hereditarias y ambientales no es clara. La epidemiología descriptiva tradicional ha podido mostrar con exactitud la incidencia y las diferencias en los resultados de estos tumores según factores étnicos, geográficos, ocupacionales e histológicos. Sin embargo, la detección de cáncer en pacientes se ha visto obstaculizada debido al diagnóstico impreciso. Las técnicas de aprendizaje de máquinas han sido utilizadas con el fin de ayudar al médico en su diagnóstico. En particular los procesos de aprendizaje profundo han permitido mejorar los resultados en los últimos años. Siguiendo esta tendencia en este trabajo se presenta la evaluación de la arquitectura de aprendizaje profundo VGG16 e Inception V3 para la detección de tumor cerebral y cinco (VGG16, VGG19, Inception V3, ResNet 152 V2, NasNet) para clasificación de tipos de cáncer cerebral lo que permitirá al Semillero Lún seguir avanzando en esta área.
publishDate 2023
dc.date.issued.none.fl_str_mv 2023
dc.date.accessioned.none.fl_str_mv 2025-03-13T14:54:59Z
dc.date.available.none.fl_str_mv 2025-03-13T14:54:59Z
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 Blanco Padilla, E.B. & Salcedo Roa, J.A. (2023). Estudio de técnica para la detección de tumores cerebrales mediante aprendizaje de máquinas. [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4818
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12313/4818
identifier_str_mv Blanco Padilla, E.B. & Salcedo Roa, J.A. (2023). Estudio de técnica para la detección de tumores cerebrales mediante aprendizaje de máquinas. [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4818
url https://hdl.handle.net/20.500.12313/4818
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv J. D. Patel. "Tumor cerebral - Estadísticas". Cancer.Net. https://www.cancer.net/es/tipos-de-cáncer/tumor-cerebral/estadísticas.
S. L. M.d. "Glioma - síntomas y causas - mayo clinic". Mayo Clinic - Mayo Clinic. https://www.mayoclinic.org/es-es/diseases-conditions/glioma/symptoms-causes/syc-203502 51.
Ciudad Universitaria. "Al año, diagnostican 300 mil nuevos casos de tumores cerebrales en el mundo". Dirección General de Comunicación Social. https://www.dgcs.unam.mx/boletin/bdboletin/2020_580.html.
"Development and validation of a deep learning model for brain tumor diagnosis and classification using magnetic resonance imaging", Jama Netw. Open, pp. 11, agosto de 2022. [En línea]. Disponible: https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2794975
Mehrotra, Ansari, Agrawal y Anand (2020). A Transfer Learning approach for AI-based classification of brain tumors. Machine Learning with Applications, 2, 100003. Recuperado de https://doi.org/10.1016/j.mlwa.2020.100003
DeAngelis y Wen (2018). Primary and Metastatic Tumors of the Nervous System. En J. L. Jameson, A. S. Fauci, D. L. Kasper, S. L. Hauser, D. L. Longo, & J. Loscalzo (Eds.), Harrison’s Principles of Internal Medicine (20.a ed.). McGraw-Hill Education. Recuperado de https://accessmedicine.mhmedical.com/content.aspx?aid=1156505564
Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems / Aurélien Géron; [editors Rachel Roumeliotis and Nicole Tache]. (cpu.829381). Recuperado del Catálogo Público Uniandes http://search.ebscohost.com/login.aspx?direct=true&db=cat07441a&AN=cpu.829381&site =eds-live.
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.
Simonyan, K., & Zisserman, A. 2014. Very deep convolutional networks for large-scale image recognition.
[10] J. C. Garcia, "Aplicación de las técnicas de aprendizaje automático para la ubicación y detección temprana de tumores cerebrales", resumen extendido de Tesis, Universidad de Los Andes, Bogotá, 2021.
"Going deeper with convolutions". IEEE Xplore. https://ieeexplore.ieee.org/document/7298594.
"Learning Transferable Architectures for Scalable Image Recognition". IEEE Xplore. https://ieeexplore.ieee.org/document/8579005.
Zoph, B., & Le, Q. V.2017. Neural architecture search with reinforcement learning. In International Conference on Learning Representations (ICLR).
He, K., Zhang, X, Ren, S, & Sun, J. 2016. Identity mappings in deep residual networks. European Conference on Computer Vision.
Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C, & Zheng, X. 2016. TensorFlow: Large-scale machine learning on heterogeneous distributed systems..
Paszke, A., Gross, S., Massa, F., Lerer, A., Bradbury, J., Chanan, G., ... & Desmaison, A. 2019. PyTorch: An imperative style, high-performance deep learning library. Advances in Neural Information Processing Systems.
D. S. Rozada Raneros, "Estudio de la arquitectura YOLO para la detección de objetos mediante deep learning", Maestría, UNIVERSIDAD DE VALLADOLID, 2021. [En línea]. Disponible: https://uvadoc.uva.es/bitstream/handle/10324/45359/TFM-G1316.pdf;jsessionid=91665368 D0B0ED5D7D5657B4F2550283?sequence=1
D. S. Rozada Raneros, "Estudio de la arquitectura YOLO para la detección de objetos mediante deep learning", Maestría, UNIVERSIDAD DE VALLADOLID, 2021. [En línea]. Disponible: https://uvadoc.uva.es/bitstream/handle/10324/45359/TFM-G1316.pdf;jsessionid=91665368 D0B0ED5D7D5657B4F2550283?sequence=1
Mercaldo, L. Brunese, F. Martinelli, A. Santone y M. Cesarelli, "Object Detection for Brain Cancer Detection and Localisation", Applied. Sciences.
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 72 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/a58ba7d5-43c6-42a2-9118-c582e2aacaad/download
https://repositorio.unibague.edu.co/bitstreams/7f0acb96-9d51-4863-b2ba-acc85bb47d2d/download
https://repositorio.unibague.edu.co/bitstreams/a281b4ed-b903-4337-85fe-114d13d239ef/download
https://repositorio.unibague.edu.co/bitstreams/b268033a-6b9c-4c24-886d-77b35da33835/download
https://repositorio.unibague.edu.co/bitstreams/03d756a2-c9bd-46c9-9f75-8cc0554f3220/download
https://repositorio.unibague.edu.co/bitstreams/f10aec82-b926-472d-9bf5-c5d3e72f1af1/download
https://repositorio.unibague.edu.co/bitstreams/7e95d64c-63df-4e3b-a2da-ffd91038470a/download
https://repositorio.unibague.edu.co/bitstreams/a5af36eb-c6b9-4440-b919-cfd90a693f5a/download
https://repositorio.unibague.edu.co/bitstreams/6a6abd33-5ecb-44dd-867e-c76ee344902f/download
bitstream.checksum.fl_str_mv 16b95b26a2865173245dcffbdcfaf049
7bb248858385e61dfa4412b305023125
7cac2a3bb545ca134c3e7c744db6bd4a
b0e892c1aad350e346b00b72e8cd9c17
2fa3e590786b9c0f3ceba1b9656b7ac3
04c19de1b5427a2c626acb1c7aa59e6e
ee4b159818e56b52509bd508618096c6
165ae5096063c7e484da0231befb583b
8d4e89d81be162c59ab661a51a952cef
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
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_ 1851059963779088384
spelling Forero Vargas, Manuel Guillermo187e7d0d-8326-49bc-8824-d0c7660437b7-1Blanco Padilla, Elizabeth5ea530f4-55c7-41f1-91b1-1e5b0148546f-1Salcedo Roa, Jennyfer Andrea3c5d9d42-fff6-4723-b9af-0e9ae5e78a7c-12025-03-13T14:54:59Z2025-03-13T14:54:59Z2023El cáncer cerebral es una de las enfermedades más letales y difíciles de tratar, manifestándose físicamente por la aparición de tumores. Un tumor cerebral es una masa o bulto de células anormales que aparecen en este órgano. La tasa de crecimiento y la ubicación del tumor determinan la forma en que afectan el funcionamiento del sistema nervioso. La etiología de los tumores cerebrales está suficientemente caracterizada y la relación de la contribución de las condiciones hereditarias y ambientales no es clara. La epidemiología descriptiva tradicional ha podido mostrar con exactitud la incidencia y las diferencias en los resultados de estos tumores según factores étnicos, geográficos, ocupacionales e histológicos. Sin embargo, la detección de cáncer en pacientes se ha visto obstaculizada debido al diagnóstico impreciso. Las técnicas de aprendizaje de máquinas han sido utilizadas con el fin de ayudar al médico en su diagnóstico. En particular los procesos de aprendizaje profundo han permitido mejorar los resultados en los últimos años. Siguiendo esta tendencia en este trabajo se presenta la evaluación de la arquitectura de aprendizaje profundo VGG16 e Inception V3 para la detección de tumor cerebral y cinco (VGG16, VGG19, Inception V3, ResNet 152 V2, NasNet) para clasificación de tipos de cáncer cerebral lo que permitirá al Semillero Lún seguir avanzando en esta área.Brain cancer is one of the most lethal and difficult to treat diseases, manifesting itself physically by the appearance of tumors. A brain tumor is a mass or lump of abnormal cells that appear in this organ. The growth rate and location of the tumor determine how they affect the functioning of the nervous system. The etiology of brain tumors is sufficiently characterized and the relationship of the contribution of hereditary and environmental conditions is not clear. Traditional descriptive epidemiology has been able to accurately show the incidence and differences in outcome of these tumors according to ethnic, geographic, occupational, and histologic factors. However, cancer detection in patients has been hampered due to inaccurate diagnosis. Machine learning techniques have been used in order to aid the physician in diagnosis. In particular deep learning processes have led to improved results in recent years. Following this trend in this work we present the evaluation of the deep learning architecture VGG16 and Inception V3 for brain tumor detection and five (VGG16, VGG19, Inception V3, ResNet 152 V2, NasNett) for classification of brain cancer types which will allow Semillero Lún to continue advancing in this area.PregradoIngeniera ElectrónicaResumen.....5 Lista de figuras.....9 Lista de tablas.....10 Introducción.....11 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.....15 2. Marco Teórico.....15 2.1 Procesamiento de Imágenes.....15 2.2 Aprendizaje Profundo.....16 2.3 Técnicas de Aprendizaje Profundo.....16 2.4 Redes Neuronales Artificiales.....17 2.4.1 Capas Ocultas.....17 2.4.2 Aprendizaje de Retropropagación.....17 2.4.3 Representaciones Jerárquicas.....17 2.5 Redes Neuronales Convolucionales (CNN).....18 2.5.1 Capas Convolucionales.....18 2.5.2 Compartición de pesos y Conexiones Locales.....19 2.5.3 Capas de Agrupación (Pooling).....19 2.5.4 Capas totalmente Conectadas.....19 2.5.5 Transferencia de Aprendizaje.....19 2.6 Arquitecturas de Redes Neuronales Profundas.....20 2.6.1 VGG16.....20 2.6.1.1 Arquitectura.....20 2.6.1.1.1 Capas de Convolución.....20 2.6.1.1.2 Capas de Agrupación (Pooling).....20 2.6.1.1.3 Capas Totalmente Conectadas.....21 2.6.1.2 Desarrollo de La VGG16.....21 2.6.1.2.1 Preprocesamiento de Datos.....21 2.6.1.2.2 Construcción de la Arquitectura.....21 2.6.1.2.3 Inicialización de los Pesos.....21 2.6.1.2.4 Entrenamiento de la Red.....21 2.6.1.2.5 Evaluación y Ajuste.....22 2.6.2 VGG19.....22 2.6.2.1 Arquitectura.....23 2.6.2.1.1 Capas de Convolución.....23 2.6.2.1.2 Capas de Agrupación (Pooling).....23 2.6.1.3 Capas Totalmente Conectadas.....23 2.6.3 Inception.....24 2.6.4 NasNet.....25 2.6.5 ResNet.....27 2.7 Tensor Flow.....28 2.8 Pytorch.....29 2.9 Yolo.....30 2.10 Data Augmentation.....30 2.11 Learning Rate.....30 2.12 Adam.....31 2.13 Tipos de tumor.....31 3. Metodología.....31 4. Materiales.....32 5. Implementación de Arquitecturas.....34 5.1 Detección del tumor cerebral.....34 5.2 Clasificación de Tumor cerebral.....35 6. Resultados.....38 6.1 Resultados de la detección.....38 6.2 Resultados de la clasificación.....48 7. Conclusiones y recomendaciones.....64 7.1 Conclusiones.....64 7.2 Recomendaciones.....65 8. Referencias Bibliográficas.....66 9. Anexos.....6872 páginasapplication/pdfBlanco Padilla, E.B. & Salcedo Roa, J.A. (2023). Estudio de técnica para la detección de tumores cerebrales mediante aprendizaje de máquinas. [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4818https://hdl.handle.net/20.500.12313/4818spaUniversidad de IbaguéIngenieríaIbaguéIngeniería ElectrónicaJ. D. Patel. "Tumor cerebral - Estadísticas". Cancer.Net. https://www.cancer.net/es/tipos-de-cáncer/tumor-cerebral/estadísticas.S. L. M.d. "Glioma - síntomas y causas - mayo clinic". Mayo Clinic - Mayo Clinic. https://www.mayoclinic.org/es-es/diseases-conditions/glioma/symptoms-causes/syc-203502 51.Ciudad Universitaria. "Al año, diagnostican 300 mil nuevos casos de tumores cerebrales en el mundo". Dirección General de Comunicación Social. https://www.dgcs.unam.mx/boletin/bdboletin/2020_580.html."Development and validation of a deep learning model for brain tumor diagnosis and classification using magnetic resonance imaging", Jama Netw. Open, pp. 11, agosto de 2022. [En línea]. Disponible: https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2794975Mehrotra, Ansari, Agrawal y Anand (2020). A Transfer Learning approach for AI-based classification of brain tumors. Machine Learning with Applications, 2, 100003. Recuperado de https://doi.org/10.1016/j.mlwa.2020.100003DeAngelis y Wen (2018). Primary and Metastatic Tumors of the Nervous System. En J. L. Jameson, A. S. Fauci, D. L. Kasper, S. L. Hauser, D. L. Longo, & J. Loscalzo (Eds.), Harrison’s Principles of Internal Medicine (20.a ed.). McGraw-Hill Education. Recuperado de https://accessmedicine.mhmedical.com/content.aspx?aid=1156505564Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems / Aurélien Géron; [editors Rachel Roumeliotis and Nicole Tache]. (cpu.829381). Recuperado del Catálogo Público Uniandes http://search.ebscohost.com/login.aspx?direct=true&db=cat07441a&AN=cpu.829381&site =eds-live.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.Simonyan, K., & Zisserman, A. 2014. Very deep convolutional networks for large-scale image recognition.[10] J. C. Garcia, "Aplicación de las técnicas de aprendizaje automático para la ubicación y detección temprana de tumores cerebrales", resumen extendido de Tesis, Universidad de Los Andes, Bogotá, 2021."Going deeper with convolutions". IEEE Xplore. https://ieeexplore.ieee.org/document/7298594."Learning Transferable Architectures for Scalable Image Recognition". IEEE Xplore. https://ieeexplore.ieee.org/document/8579005.Zoph, B., & Le, Q. V.2017. Neural architecture search with reinforcement learning. In International Conference on Learning Representations (ICLR).He, K., Zhang, X, Ren, S, & Sun, J. 2016. Identity mappings in deep residual networks. European Conference on Computer Vision.Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C, & Zheng, X. 2016. TensorFlow: Large-scale machine learning on heterogeneous distributed systems..Paszke, A., Gross, S., Massa, F., Lerer, A., Bradbury, J., Chanan, G., ... & Desmaison, A. 2019. PyTorch: An imperative style, high-performance deep learning library. Advances in Neural Information Processing Systems.D. S. Rozada Raneros, "Estudio de la arquitectura YOLO para la detección de objetos mediante deep learning", Maestría, UNIVERSIDAD DE VALLADOLID, 2021. [En línea]. Disponible: https://uvadoc.uva.es/bitstream/handle/10324/45359/TFM-G1316.pdf;jsessionid=91665368 D0B0ED5D7D5657B4F2550283?sequence=1D. S. Rozada Raneros, "Estudio de la arquitectura YOLO para la detección de objetos mediante deep learning", Maestría, UNIVERSIDAD DE VALLADOLID, 2021. [En línea]. Disponible: https://uvadoc.uva.es/bitstream/handle/10324/45359/TFM-G1316.pdf;jsessionid=91665368 D0B0ED5D7D5657B4F2550283?sequence=1Mercaldo, L. Brunese, F. Martinelli, A. Santone y M. Cesarelli, "Object Detection for Brain Cancer Detection and Localisation", Applied. Sciences.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/Tumores cerebrales - DetecciónTumores cerebrales - Detección - Aprendizaje de máquinasTumores CerebralesResonancia magnéticaRedes neuronalesAprendizaje profundoBrain tumorsMagnetic resonance imagingNeural networksDeep learningEstudio de técnica para la detección de tumores cerebrales 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/acceptedVersionPublicationORIGINALTrabajo de grado.pdfTrabajo de grado.pdfapplication/pdf7220709https://repositorio.unibague.edu.co/bitstreams/a58ba7d5-43c6-42a2-9118-c582e2aacaad/download16b95b26a2865173245dcffbdcfaf049MD51Anexos 1.zipAnexos 1.zipapplication/octet-stream47156900https://repositorio.unibague.edu.co/bitstreams/7f0acb96-9d51-4863-b2ba-acc85bb47d2d/download7bb248858385e61dfa4412b305023125MD53Anexos 2.zipAnexos 2.zipapplication/zip52662091https://repositorio.unibague.edu.co/bitstreams/a281b4ed-b903-4337-85fe-114d13d239ef/download7cac2a3bb545ca134c3e7c744db6bd4aMD54Formato de autorización.pdfFormato de autorización.pdfapplication/pdf190961https://repositorio.unibague.edu.co/bitstreams/b268033a-6b9c-4c24-886d-77b35da33835/downloadb0e892c1aad350e346b00b72e8cd9c17MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-8134https://repositorio.unibague.edu.co/bitstreams/03d756a2-c9bd-46c9-9f75-8cc0554f3220/download2fa3e590786b9c0f3ceba1b9656b7ac3MD55TEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain101497https://repositorio.unibague.edu.co/bitstreams/f10aec82-b926-472d-9bf5-c5d3e72f1af1/download04c19de1b5427a2c626acb1c7aa59e6eMD510Formato de autorización.pdf.txtFormato de autorización.pdf.txtExtracted texttext/plain3122https://repositorio.unibague.edu.co/bitstreams/7e95d64c-63df-4e3b-a2da-ffd91038470a/downloadee4b159818e56b52509bd508618096c6MD512THUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgIM Thumbnailimage/jpeg9575https://repositorio.unibague.edu.co/bitstreams/a5af36eb-c6b9-4440-b919-cfd90a693f5a/download165ae5096063c7e484da0231befb583bMD511Formato de autorización.pdf.jpgFormato de autorización.pdf.jpgIM Thumbnailimage/jpeg22149https://repositorio.unibague.edu.co/bitstreams/6a6abd33-5ecb-44dd-867e-c76ee344902f/download8d4e89d81be162c59ab661a51a952cefMD51320.500.12313/4818oai:repositorio.unibague.edu.co:20.500.12313/48182025-08-13 01:05:45.644https://creativecommons.org/licenses/by-nc/4.0/https://repositorio.unibague.edu.coRepositorio Institucional Universidad de Ibaguébdigital@metabiblioteca.comQ3JlYXRpdmUgQ29tbW9ucyBBdHRyaWJ1dGlvbi1Ob25Db21tZXJjaWFsLU5vRGVyaXZhdGl2ZXMgNC4wIEludGVybmF0aW9uYWwgTGljZW5zZQ0KaHR0cHM6Ly9jcmVhdGl2ZWNvbW1vbnMub3JnL2xpY2Vuc2VzL2J5LW5jLW5kLzQuMC8=

Publicaciones similares