Algoritmo de aprendizaje semi-supervisado para la clasificación automática de regiones en imágenes de histopatología como apoyo al diagnóstico de cáncer
Incluye tablas, figuras y anexos.
- Autores:
-
Cano Ramírez, Fabián Alberto
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2019
- Institución:
- Universidad de los Llanos
- Repositorio:
- Repositorio Digital Universidad de los LLanos
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unillanos.edu.co:001/4561
- Acceso en línea:
- https://repositorio.unillanos.edu.co/handle/001/4561
https://repositorio.unillanos.edu.co
- Palabra clave:
- Histopatología
Patología digital
Aprendizaje de una sola vez
Aprendizaje semi-supervisado
Análisis de imágenes médicas
Clasificación automática
Histopathology
Digital pathology
One shot learning
Semi-supervised learning
Medical image analysis
Automatic classification
- Rights
- openAccess
- License
- Derechos reservados - Universidad de los Llanos, 2019
| id |
Unillanos2_86e486fc6ae0e874c4925d568a8536e7 |
|---|---|
| oai_identifier_str |
oai:repositorio.unillanos.edu.co:001/4561 |
| network_acronym_str |
Unillanos2 |
| network_name_str |
Repositorio Digital Universidad de los LLanos |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Algoritmo de aprendizaje semi-supervisado para la clasificación automática de regiones en imágenes de histopatología como apoyo al diagnóstico de cáncer |
| title |
Algoritmo de aprendizaje semi-supervisado para la clasificación automática de regiones en imágenes de histopatología como apoyo al diagnóstico de cáncer |
| spellingShingle |
Algoritmo de aprendizaje semi-supervisado para la clasificación automática de regiones en imágenes de histopatología como apoyo al diagnóstico de cáncer Histopatología Patología digital Aprendizaje de una sola vez Aprendizaje semi-supervisado Análisis de imágenes médicas Clasificación automática Histopathology Digital pathology One shot learning Semi-supervised learning Medical image analysis Automatic classification |
| title_short |
Algoritmo de aprendizaje semi-supervisado para la clasificación automática de regiones en imágenes de histopatología como apoyo al diagnóstico de cáncer |
| title_full |
Algoritmo de aprendizaje semi-supervisado para la clasificación automática de regiones en imágenes de histopatología como apoyo al diagnóstico de cáncer |
| title_fullStr |
Algoritmo de aprendizaje semi-supervisado para la clasificación automática de regiones en imágenes de histopatología como apoyo al diagnóstico de cáncer |
| title_full_unstemmed |
Algoritmo de aprendizaje semi-supervisado para la clasificación automática de regiones en imágenes de histopatología como apoyo al diagnóstico de cáncer |
| title_sort |
Algoritmo de aprendizaje semi-supervisado para la clasificación automática de regiones en imágenes de histopatología como apoyo al diagnóstico de cáncer |
| dc.creator.fl_str_mv |
Cano Ramírez, Fabián Alberto |
| dc.contributor.advisor.none.fl_str_mv |
Cruz Roa, Angel Alfonso |
| dc.contributor.author.none.fl_str_mv |
Cano Ramírez, Fabián Alberto |
| dc.subject.proposal.spa.fl_str_mv |
Histopatología Patología digital Aprendizaje de una sola vez Aprendizaje semi-supervisado Análisis de imágenes médicas Clasificación automática |
| topic |
Histopatología Patología digital Aprendizaje de una sola vez Aprendizaje semi-supervisado Análisis de imágenes médicas Clasificación automática Histopathology Digital pathology One shot learning Semi-supervised learning Medical image analysis Automatic classification |
| dc.subject.proposal.eng.fl_str_mv |
Histopathology Digital pathology One shot learning Semi-supervised learning Medical image analysis Automatic classification |
| description |
Incluye tablas, figuras y anexos. |
| publishDate |
2019 |
| dc.date.issued.none.fl_str_mv |
2019 |
| dc.date.accessioned.none.fl_str_mv |
2024-10-23T21:01:54Z |
| dc.date.available.none.fl_str_mv |
2024-10-23T21:01:54Z |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| 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.coarversion.none.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| dc.type.category.none.fl_str_mv |
Proyectos de investigación |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
publishedVersion |
| dc.identifier.citation.none.fl_str_mv |
Cano Ramírez, Fabián A. (2019). Algoritmo de aprendizaje semi-supervisado para la clasificación automática de regiones en imágenes de histopatología como apoyo al diagnóstico de cáncer [Trabajo de grado, Universidad de los Llanos]. Repositorio digital Universidad de los Llanos. |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unillanos.edu.co/handle/001/4561 |
| dc.identifier.instname.none.fl_str_mv |
Universidad de los Llanos |
| dc.identifier.reponame.none.fl_str_mv |
Repositorio digital Universidad de los Llanos |
| dc.identifier.repourl.none.fl_str_mv |
https://repositorio.unillanos.edu.co |
| identifier_str_mv |
Cano Ramírez, Fabián A. (2019). Algoritmo de aprendizaje semi-supervisado para la clasificación automática de regiones en imágenes de histopatología como apoyo al diagnóstico de cáncer [Trabajo de grado, Universidad de los Llanos]. Repositorio digital Universidad de los Llanos. Universidad de los Llanos Repositorio digital Universidad de los Llanos |
| url |
https://repositorio.unillanos.edu.co/handle/001/4561 https://repositorio.unillanos.edu.co |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
Agencia de Noticias UN. (2017). Especialistas médicos, calidad antes que cantidad. Retrieved from http://agenciadenoticias.unal.edu.co/detalle/article/especialistas-medicos-calidad-antes-que-cantidad.html Angel Arul Jothi, J., & Mary Anita Rajam, V. (2017). A survey on automated cancer diagnosis from histopathology images. Artificial Intelligence Review, 48(1), 31–81. https://doi.org/10.1007/s10462-016-9494-6 Arévalo, J., Cruz-Roa, A., & Gonzalez O, F. A. (2014). Histopathology image representation for automatic analysis: a state-of-the-art review. Rev. Fac. Med. Bogotá, 22(2), 79–91. Retrieved from http://www.scielo.org.co/pdf/med/v22n2/v22n2a09.pdf Bracey, T. (2017). Digital pathology. The Bulletin of the Royal College of Surgeons of England, 99(3), 93–96. https://doi.org/10.1308/rcsbull.2017.93 Cruz-Roa, A., Diaz, G., & González, F. (2011). A framework for semantic analysis of histopathological images using nonnegative matrix factorization. In 2011 6th Colombian Computing Congress (CCC) (pp. 1–7). IEEE. https://doi.org/10.1109/COLOMCC.2011.5936285 Cruz Roa, A., Romero, E., & González, F. (2013). An adaptive image representation learned from data for cervix cancer tumor detection, 8676, 86760Q. https://doi.org/10.1117/12.2007081 Daniel, C., Macary, F., García, M., Klossa, J., Laurinavičius, A. (2011). Recent advances in standards for collaborative Digital Anatomic Pathology. Diagnostic Pathology. https://doi.org/10.1186/1746-1596-6-S1-S17 Demir, C., & Yener, B. (2005). Automated cancer diagnosis based on histopathological images: a systematic survey. Dept. Comput. Sci., Rensselaer Polytechnic Inst., Troy, NY, USA, Tech. Rep., TR-05-09 (February), 1–16. https://doi.org/10.1.1.61.1199 Doyle, S., Monaco, J., Feldman, M., Tomaszewski, J., & Madabhushi, A. (2011). An active learning based classification strategy for the minority class problem: Application to histopathology annotation. BMC Bioinformatics, 12. https://doi.org/10.1186/1471-2105-12-424 Fuchs, T. J., & Buhmann, J. M. (2011, October). Computational pathology: Challenges and promises for tissue analysis. Computerized Medical Imaging and Graphics. https://doi.org/10.1016/j.compmedimag.2011.02.006 García, M., Bueno, G., Peces, C., González, J., Carbajo, M. (2005). Preparaciones digitales en los servicios de Anatomía Patológica (II). Análisis de soluciones existentes. Revista Española de Patología, Vol. 38, n.o 4. Retrieved from http://www.patologia.es/volumen38/vol38-num4/38-4n03.htm García, G., & Sánchez, F. (2012). Enteritis necrótica en aves de ornato. Universidad Nacional Autónoma de México. Retrieved from https://www.engormix.com/avicultura/articulos/enteritis-necrotica-aves-ornato-t29602.htm Jia Deng, Wei Dong, Socher, R., Li-Jia Li, Kai Li, & Li Fei-Fei. (2009). ImageNet: A large-scale hierarchical image database. In 2009 IEEE Conference on Computer Vision and Pattern Recognition (pp. 248–255). IEEE. https://doi.org/10.1109/CVPRW.2009.5206848 Komura, D., & Ishikawa, S. (2017). Machine learning methods for histopathological image analysis. Retrieved from https://arxiv.org/pdf/1709.00786.pdf Lake, B. M., Salakhutdinov, R. R., Gross, J., & Tenenbaum, J. B. (2011). One shot learning of simple visual concepts. Proceedings of the 33rd Annual Conference of the Cognitive Science Society (CogSci 2011), 172, 2568–2573. Retrieved from http://palm.mindmodeling.org/cogsci2011/papers/0601/paper0601.pdf Megías, P., & Molist, P. (2018). Técnicas histológicas, Proceso histológico. Atlas de histología vegetal y animal. Departamento de Biología Funcional y Ciencias de la Salud. Facultad de Biología. Universidad de Vigo, España. Retrieved from https://mmegias.webs.uvigo.es/6-tecnicas/1-proceso.php Meyer, J., & Paré, G. (2015). Telepathology impacts and implementation challenges. In Archives of Pathology and Laboratory Medicine (Vol. 139, pp. 1550–1557). College of American Pathologists. https://doi.org/10.5858/arpa.2014-0606-RA Nimo, Ana María. (2016). La patología digital revoluciona el proceso de diagnóstico. Retrieved from http://www.innovacionensalud.elmundo.es/salud-digital/la-patologia-digital-revoluciona-el-proceso-de-diagnostico Padmanabhan, R. 1984-. (2014). Active and Transfer learning Methods for Computational Histology. Retrieved from https://uh-ir.tdl.org/uh-ir/handle/10657/787 Pantanowitz, L., Evans, A., Pfeifer, J., Collins, L., Valenstein, P., Kaplan, K., … Colgan, T. (2011). Review of the current state of whole slide imaging in pathology. Journal of Pathology Informatics, 2(1), 36. https://doi.org/10.4103/2153-3539.83746 Journal of Pathology Informatics, 2(1), 36. https://doi.org/10.4103/2153-3539.83746 21. Pardo, C., de Vries, E., Duarte, J. M., & Piñeros, M. (2015). Cáncer en la Unidad de Cáncer del Hospital Departamental de Villavicencio, Colombia, 2006-2008. Revista Colombiana de Cancerología, 19(3), 125–132. https://doi.org/10.1016/j.rccan.2015.06.005 Puerto, M., Vargas, T., & Cruz-Roa, A. (2016). A Digital Pathology application for whole-slide histopathology image analysis based on genetic algorithm and Convolutional Networks. In 2016 IEEE Latin American Conference on Computational Intelligence (LA-CCI) (pp. 1–7). IEEE. https://doi.org/10.1109/LA-CCI.2016.7885738 Redacción de El País. (2016). ¿Faltan más especialistas médicos en Cali?. Retrieved from www.elpais.com.co/colombia/faltan-mas-especialistas-medicos-en-cali.html Ross, M. H., Pawlina, W., & Negrete, J. H. (2007). Histología : texto y atlas color con biología celular y molecular. Médica Panamericana. Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., Fei-Fei, L. (2015). ImageNet Large Scale Visual Recognition Challenge. International Journal of Computer Vision, 115(3), 211–252. https://doi.org/10.1007/s11263-015-0816-y Treanor, D., Gallas, B. D., Gavrielides, M. A., & Hewitt, S. M. (2015). Evaluating whole slide imaging: A working group opportunity. Journal of Pathology Informatics, 6, 4. Retrieved from http://www.jpathinformatics.org/text.asp?2015/6/1/4/151880 Vinyals, O., Blundell, C., Lillicrap, T., Kavukcuoglu, K., & Wierstra, D. (2016). Matching Networks for One Shot Learning. https://doi.org/10.1109/CVPR.2016.95 Wright, A., Magee, D., Quirke, P., & Treanor, D. E. (2014). Towards automatic patient selection for chemotherapy in colorectal cancer trials. In M. N. Gurcan & A. Madabhushi (Eds.) (p. 90410A). https://doi.org/10.1117/12.2043220 Pardo, Constanza, de Vries, Esther, Duarte, José María, & Piñeros, Marion. (2015). Cáncer en la Unidad de Cáncer del Hospital Departamental de Villavicencio, Colombia, 2006-2008. Revista Colombiana de Cancerología, 19(3), 125-132. Piñeros, M., Sánchez, R., Perry, F., García, O., Ocampo, R., & Cendales, R.. (2011). Demoras en el diagnóstico y tratamiento de mujeres con cáncer de mama en Bogotá, Colombia. Salud Pública de México, 53(6), 478-485. Bromley, J., Bentz, J., Bottou, L., Guyon, I., LeCun, Y., Moore, C., Sackinger, E., & Shah, R. (1993). Signature verification using a siamese time delay neural network. International Journal of Pattern Recognition and Artificial Intelligence, 7 (04):669–688. Koch, G., Zemel, R., & Salakhutdinov, R. (2015). Siamese Neural Networks for One-shot Image Recognition. Department of Computer Science, University of Toronto. Toronto, Ontario, Canada. Proceedings of the 32nd International Conference on Machine Learning, Lille, France, 2015. JMLR: W&CP volume 37 Computer Vision. (2018). Siamese Neural Networks. Lugar de publicación: Computer Vision, Tecnalia. https://computervision.tecnalia.com/es/2018/08/siamese-neural-networks/ Cruz-Roa, A., Gilmore, H., Basavanhally, A., Feldman, M., Ganesan, S., Shih, N., Tomaszewski, J., Gonzalez, F., & Madabhushi, A. (2017). Accurate and reproducible invasive breast cancer detection in whole-slide images: A Deep Learning approach for quantifying tumor extent. In: Scientific Reports 7, 46450. https://doi.org/https://doi.org/doi:10.1038/srep46450 Cruz-Roa, A., Arevalo, J., Judkinsc, A., Madabhushid, A., and Gonzalez, F. (2015). A method for medulloblastoma tumor differentiation based on convolutional neural networks and transfer learning, 11th International Symposium on Medical Information Processing and Analysis 9681 Krizhevsky, A., Sutskever, I. Hinton, G. (2012). ImageNet Classification with Deep Convolutional Neural Networks. In: Advances in Neural Information Processing Systems 25, 1106-1114 Ciresan, D., Giusti, A., Gambardella, L. Schmidhuber, J. (2013). Mitosis Detection in Breast Cancer Histology Images with Deep Neural Networks. In: Medical Image Computing and Computer-Assisted Intervention - MICCAI 2013, 8150, 411-418 Wang, H. et al. (2014). Mitosis detection in breast cancer pathology images by combining handcrafted and convolutional neural network features. In: Journal of Medical Imaging 1, 34003 Cruz-Roa, A. et al. (2014). Automatic detection of invasive ductal carcinoma in whole slide images with convolutional neural networks. In: Proc. SPIE 9041, 904103-904115 DeSantis, C., Ma, J., Bryan, L. Jemal. (2014). A. Breast Cancer Statistics, 2013. In: A Cancer Journal for Clinicians 64(1), 52-62. DeSantis, C., Siegel, R., Bandi, P. Jemal. (2011). A. Breast cancer statistics, 2011. In: A Cancer Journal for Clinicians 61, 408-418 Donahue, J., Jia, Y., Vinyals, O., Hoffman, J., Zhang, N., Tzeng, E., and Darrell, T. (2013). Decaf: A deep convolutional activation feature for generic visual recognition. CoRR abs/1310.1531 Byra, M., Styczynski, G., Szmigielski, C., Kalinowski, P., Michałowski, Ł., Paluszkiewicz, R., Nowicki, A. (2018). Transfer learning with deep convolutional neural network for liver steatosis assessment in ultrasound images. International journal of computer assisted radiology and surgery, 13(12), 1895–1903. doi:10.1007/s11548-018-1843-2 Huynh BQ, Li H, Giger ML. (2016). Digital mammographic tumor classification using transfer learning from deep convolutional neural networks. J Med Imaging. doi: 10.1117/1.JMI.3.3.034501. Deshpande, A. (n.d.). A Beginner's Guide To Understanding Convolutional Neural Networks. Recuperado de https://adeshpande3.github.io/adeshpande3.github.io/A-Beginner's-Guide-To-Understanding-Convolutional-Neural-Networks/ Hong, S. (2017). A Vision for Making Deep Learning Simple From Machine Learning Practitioners to Business Analysts. Databricks. Recuperado de https://databricks.com/blog/2017/06/06/databricks-vision-simplify-large-scale-deep-learning.html Cano, F., Madabhushi, A., & Cruz-Roa, A. (2018). A comparative analysis of sensitivity of convolutional neural networks for histopathology image classification in breast cancer. Proc. SPIE 10975, 14th International Symposium on Medical Information Processing and Analysis, 109750W; doi: 10.1117/12.2511647; https://doi.org/10.1117/12.2511647 Neurohive. (2018). VGG16 – Convolutional Network for Classification and Detection. Recuperado de https://neurohive.io/en/popular-networks/vgg16/ Recuperado de https://neurohive.io/en/popular-networks/vgg16/ 49. Lamba, H. (2019). One Shot Learning with Siamese Networks using Keras. Publicado en: Towards Data Science. Recuperado de https://towardsdatascience.com/one-shot-learning-with-siamese-networks-using-keras-17f34e75bb3d Freitas, T. (2018). Implementation of Siamese Neural Networks for One-shot Image Recognition. Recuperado de https://github.com/Goldesel23/Siamese-Networks-for-One-Shot-Learning Rao, S. (2018). MITOS-RCNN: A Novel Approach to Mitotic Figure Detection in Breast Cancer Histopathology Images using Region Based Convolutional Neural Networks. Elsevier Medical Image Analysis Journal. https://arxiv.org/abs/1807.01788 |
| dc.rights.spa.fl_str_mv |
Derechos reservados - Universidad de los Llanos, 2019 |
| dc.rights.uri.none.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.license.none.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Derechos reservados - Universidad de los Llanos, 2019 https://creativecommons.org/licenses/by-nc-nd/4.0/ Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.none.fl_str_mv |
74 páginas |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad de los Llanos |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ciencias Básicas e Ingeniería |
| dc.publisher.place.none.fl_str_mv |
Villavicencio |
| dc.publisher.program.none.fl_str_mv |
Ingeniería de Sistemas |
| dc.publisher.branch.none.fl_str_mv |
Sede Barcelona |
| publisher.none.fl_str_mv |
Universidad de los Llanos |
| institution |
Universidad de los Llanos |
| bitstream.url.fl_str_mv |
https://repositorio.unillanos.edu.co/bitstreams/da0d10d8-2541-4904-957e-b1f07ce7b649/download https://repositorio.unillanos.edu.co/bitstreams/d0652353-7a9a-488c-b31e-c4864f6799ab/download https://repositorio.unillanos.edu.co/bitstreams/17ff3cb8-aac5-4fc1-a4e4-a70d7520469b/download https://repositorio.unillanos.edu.co/bitstreams/6a17cab5-7c18-4c5b-93f0-600e92273b3c/download https://repositorio.unillanos.edu.co/bitstreams/90a24ac8-6d3e-4f4f-af2f-17813fc6f537/download https://repositorio.unillanos.edu.co/bitstreams/0e246e7d-b98a-4cf5-b02b-6e8ce12345f7/download https://repositorio.unillanos.edu.co/bitstreams/de4b2c39-81c2-4ab6-85ef-07da7ad8b9f1/download https://repositorio.unillanos.edu.co/bitstreams/bac40bd3-8c6d-439d-8ba9-b3092eee2a9d/download https://repositorio.unillanos.edu.co/bitstreams/e87fbf6c-8bed-4233-82ec-d28b0feef6ff/download https://repositorio.unillanos.edu.co/bitstreams/cbcdf61d-dfeb-4ebb-ac13-880b3269aa06/download https://repositorio.unillanos.edu.co/bitstreams/b3ba4816-a3db-4cfc-9434-17fcd9d798c6/download https://repositorio.unillanos.edu.co/bitstreams/56068e1f-fa4f-4693-b849-b71bfd4d46b4/download https://repositorio.unillanos.edu.co/bitstreams/ea96254b-9faf-4ca4-844b-bc9bd8a23f68/download https://repositorio.unillanos.edu.co/bitstreams/ae8e42a2-4547-4d3a-95ce-bdd362cd68ba/download https://repositorio.unillanos.edu.co/bitstreams/fe28bdb9-4033-4921-ae15-16e81cd1de0b/download https://repositorio.unillanos.edu.co/bitstreams/4fbc2c40-e7de-47ce-ae9d-8bc5158700bd/download |
| bitstream.checksum.fl_str_mv |
73a5432e0b76442b22b026844140d683 659f67bc63cfa03a48d42750281b17bd 36a79ac6b360c0bd9bb80b30cd6caebf f165acef80dcac2b9fffe948692d2cf4 446d027ddc621c0d8d53046fec5468fe df5d41d74d11063385e7af34f7894a50 ece9d6c0afb380f3bc447bc115af48ea 48bb9d925a2534e37ca688c07fc77fe2 75b8fc17f626ee8755d6c69a17d3d7ae e92459ffc0a732a2fed1b8fc0a664aa2 0bf62259d67ca9ce354c68bf82e0947d 1f70fe7f9ac3526cde6692459c807dc1 22b89b3a276cd484bb603f7431b92396 d2c64f8ccde9a84859386da197f06a0f 718782939d28b132df5d594639f9ff3f 9f1bd713638724a6a94de17ef824c200 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Universidad de Los Llanos |
| repository.mail.fl_str_mv |
repositorio@unillanos.edu.co |
| _version_ |
1851059008148865024 |
| spelling |
Cruz Roa, Angel Alfonsovirtual::213-1Cano Ramírez, Fabián Alberto2024-10-23T21:01:54Z2024-10-23T21:01:54Z2019Cano Ramírez, Fabián A. (2019). Algoritmo de aprendizaje semi-supervisado para la clasificación automática de regiones en imágenes de histopatología como apoyo al diagnóstico de cáncer [Trabajo de grado, Universidad de los Llanos]. Repositorio digital Universidad de los Llanos.https://repositorio.unillanos.edu.co/handle/001/4561Universidad de los LlanosRepositorio digital Universidad de los Llanoshttps://repositorio.unillanos.edu.coIncluye tablas, figuras y anexos.El análisis y detección de patologías en láminas de histopatología requiere el tiempo de médicos patólogos especializados, quienes analizan las muestras de tejido en el microscopio. El tiempo que transcurre desde la extracción de tejido del paciente hasta que se conocen los resultados puede prolongarse por varios días e incluso meses, retrasando así el inicio del tratamiento. Gracias a la incipiente patología digital, las muestras son escaneadas y transformadas en imágenes digitales, permitiendo agilizar el análisis y detección de patologías. La sustitución de las imágenes microscópicas por imágenes digitales supone un avance importante que permite que patólogos a distancia puedan analizar los casos, reduciendo el tiempo necesario para iniciar el tratamiento y atención oportuna de pacientes con cáncer. Al realizar el análisis y preprocesamiento de las imágenes de histopatología por métodos computacionales se pueden reducir los tiempos de diagnóstico que requieren los patólogos para analizar los resultados, permitiendo a su vez priorizar el orden de las muestras más críticas o de difícil diagnóstico. En la actualidad existe un déficit de médicos patólogos, y los pocos que hay se encuentran concentrados en las ciudades principales del país, además, debido al limitado tiempo con el que cuentan y al incremento paulatino de las bases de datos de láminas digitalizadas de histopatología, es difícil la anotación manual y diagnóstico de todas las láminas por parte de los expertos. Por otra parte, los pacientes pueden requerir una segunda opinión acerca de un resultado, por lo que sería necesario esperar nuevamente por el análisis del médico patólogo, retrasando aún más en inicio del tratamiento. Debido a esto, es necesaria la incursión de métodos de aprendizaje computacional que puedan aprender a clasificar automáticamente regiones en grandes láminas de histopatología aprovechando los pocos ejemplos anotados por médicos patólogos. En este proyecto se implementa un algoritmo de aprendizaje de una sola vez que permite clasificar automáticamente regiones de tejido en grandes láminas digitalizadas de histopatología de cáncer de acuerdo con sus características visuales, con pocas o ninguna anotación por parte de expertos, así como la exploración de métodos de aprendizaje automático del estado del arte que incluyen estrategias de aprendizaje por transferencia como otra estrategia para aprovechar modelos entrenados previamente con más datos para escenarios con pocos datos anotados por los expertos.The analysis and detection of pathologies in histopathology slides requires the time of specialized medical pathologists, who analyze tissue samples under a microscope. The time that elapses from the extraction of tissue from the patient until the results are known can be prolonged for several days or even months, thus delaying the start of treatment. Thanks to the incipient digital pathology, the samples are scanned and transformed into digital images, allowing to speed up the analysis and detection of pathologies. The replacement of the microscopic images with digital images represents an important advance that allows remote pathologists to analyze the cases, reducing the time necessary to initiate the treatment and timely care of patients with cancer. By performing the analysis and preprocessing of histopathology images by computational methods, the diagnostic times required by pathologists can be reduced to analyze the results, allowing in turn to prioritize the order of the most critical or difficult to diagnose samples. Currently there is a shortage of pathologists, and the few that are are concentrated in the main cities of the country, in addition, due to the limited time they have and the gradual increase in the databases of digitized histopathology slides, Manual and diagnostic annotation of all slides by experts is difficult. On the other hand, patients may require a second opinion about a result, so it would be necessary to wait again for the analysis of the pathologist, delaying further in the beginning of the treatment. Due to this, the incursion of computational learning methods that can learn to automatically classify regions into large sheets of histopathology is necessary taking advantage of the few examples recorded by pathologists. In this project, a one-time learning algorithm is implemented that allows the automatic classification of tissue regions into large digitized sheets of cancer histopathology according to their visual characteristics, with little or no annotation by experts, as well as the exploration of state-of-the-art automatic learning methods that include transfer learning strategies as another strategy to take advantage of previously trained models with more data for scenarios with little data recorded by the experts.1. Introducción. -- 2. Objetivos. -- 2.1 objetivo general. -- 2.2 objetivos específicos. -- 3. Marco de referencia. -- 3.1. Contextual. -- 3.1.1. Histopatología. -- 3.1.2. Patología digital. -- 3.1.3. Imágenes de lámina completa de histopatología (whole-slide histopathology images, wsi). -- 3.2. Marco teórico o conceptual. -- 3.2.1. Redes neuronales convolucionales (convolutional neural networks, cnn). -- 3.2.2. Redes neuronales convolucionales siamesas (siamese convolutional neural networks, scnn). -- 3.2.3. Aprendizaje por transferencia (transfer learning). -- 3.2.4. Aprendizaje semi-supervisado. -- 3.2.5. Aprendizaje activo. -- 3.2.6. Aprendizaje de una sola vez (one shot learning). -- 4. Metodología. -- 4.1. Selección de láminas de histopatología. -- 4.2. Construcción del conjunto de datos. -- 4.3. Extracción de características visuales y medidas de similitud. -- 5. Resultados experimentales. -- 5.1. Conjunto de láminas digitalizadas de histopatología. -- 5.2. Primera fase de experimentación. -- 5.2.1. Configuración del conjunto de datos. -- 5.2.1.1. Datos de entrenamiento. -- 5.2.1.2. Datos de validación. -- 5.2.1.3. Datos de prueba. -- 5.2.2. Ajuste de formato. -- 5.2.3. Normalización del conjunto de datos. -- 5.2.4. Modelo de la red neuronal convolucional. -- 5.2.5. Resultados. -- 5.2.5.1. Tasa de aprendizaje constante. -- 5.2.5.2. Tasa de aprendizaje variable. -- 5.3. Segunda fase de experimentación. -- 5.3.1. Descripción del conjunto de datos. -- 5.3.2. Diseño experimental. -- 5.3.3. Configuración de las arquitecturas de redes neuronales. -- 5.3.4. Resultados. -- 5.3.4.1. Entrenamiento y validación. -- 5.3.4.2. Prueba. -- 5.3.5. Incidencias encontradas. -- 5.4 Fase final de experimentación. -- 5.5 Resultados complementarios. -- 5.5.1. Segundo Congreso Internacional de Ciencias Básicas e Ingeniería - CICI 2018. -- 5.5.2. 14th International Symposium on Medical Information Processing and Analysis -SIPAIM 2018. -- 6. Conclusiones. -- 7. Trabajos futuros. -- 8. Referencias y bibliografía. -- 9. Anexos. -- 9.1. Anexo 1. Artículo científico. -- 9.2. Anexo 2. Manual técnico.Trabajo de grado en la modalidad de estudiante en proyecto de investigación (EPI) presentado como requisito parcial para optar al título de Ingeniero de Sistemas.PregradoIngeniero(a) de Sistemas74 páginasapplication/pdfspaUniversidad de los LlanosFacultad de Ciencias Básicas e IngenieríaVillavicencioIngeniería de SistemasSede BarcelonaDerechos reservados - Universidad de los Llanos, 2019https://creativecommons.org/licenses/by-nc-nd/4.0/Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Algoritmo de aprendizaje semi-supervisado para la clasificación automática de regiones en imágenes de histopatología como apoyo al diagnóstico de cáncerTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/coar/version/c_970fb48d4fbd8a85Proyectos de investigaciónAgencia de Noticias UN. (2017). Especialistas médicos, calidad antes que cantidad. Retrieved from http://agenciadenoticias.unal.edu.co/detalle/article/especialistas-medicos-calidad-antes-que-cantidad.htmlAngel Arul Jothi, J., & Mary Anita Rajam, V. (2017). A survey on automated cancer diagnosis from histopathology images. Artificial Intelligence Review, 48(1), 31–81. https://doi.org/10.1007/s10462-016-9494-6Arévalo, J., Cruz-Roa, A., & Gonzalez O, F. A. (2014). Histopathology image representation for automatic analysis: a state-of-the-art review. Rev. Fac. Med. Bogotá, 22(2), 79–91. Retrieved from http://www.scielo.org.co/pdf/med/v22n2/v22n2a09.pdfBracey, T. (2017). Digital pathology. The Bulletin of the Royal College of Surgeons of England, 99(3), 93–96. https://doi.org/10.1308/rcsbull.2017.93Cruz-Roa, A., Diaz, G., & González, F. (2011). A framework for semantic analysis of histopathological images using nonnegative matrix factorization. In 2011 6th Colombian Computing Congress (CCC) (pp. 1–7). IEEE. https://doi.org/10.1109/COLOMCC.2011.5936285Cruz Roa, A., Romero, E., & González, F. (2013). An adaptive image representation learned from data for cervix cancer tumor detection, 8676, 86760Q. https://doi.org/10.1117/12.2007081Daniel, C., Macary, F., García, M., Klossa, J., Laurinavičius, A. (2011). Recent advances in standards for collaborative Digital Anatomic Pathology. Diagnostic Pathology. https://doi.org/10.1186/1746-1596-6-S1-S17Demir, C., & Yener, B. (2005). Automated cancer diagnosis based on histopathological images: a systematic survey. Dept. Comput. Sci., Rensselaer Polytechnic Inst., Troy, NY, USA, Tech. Rep., TR-05-09 (February), 1–16. https://doi.org/10.1.1.61.1199Doyle, S., Monaco, J., Feldman, M., Tomaszewski, J., & Madabhushi, A. (2011). An active learning based classification strategy for the minority class problem: Application to histopathology annotation. BMC Bioinformatics, 12. https://doi.org/10.1186/1471-2105-12-424Fuchs, T. J., & Buhmann, J. M. (2011, October). Computational pathology: Challenges and promises for tissue analysis. Computerized Medical Imaging and Graphics. https://doi.org/10.1016/j.compmedimag.2011.02.006García, M., Bueno, G., Peces, C., González, J., Carbajo, M. (2005). Preparaciones digitales en los servicios de Anatomía Patológica (II). Análisis de soluciones existentes. Revista Española de Patología, Vol. 38, n.o 4. Retrieved from http://www.patologia.es/volumen38/vol38-num4/38-4n03.htmGarcía, G., & Sánchez, F. (2012). Enteritis necrótica en aves de ornato. Universidad Nacional Autónoma de México. Retrieved from https://www.engormix.com/avicultura/articulos/enteritis-necrotica-aves-ornato-t29602.htmJia Deng, Wei Dong, Socher, R., Li-Jia Li, Kai Li, & Li Fei-Fei. (2009). ImageNet: A large-scale hierarchical image database. In 2009 IEEE Conference on Computer Vision and Pattern Recognition (pp. 248–255). IEEE. https://doi.org/10.1109/CVPRW.2009.5206848Komura, D., & Ishikawa, S. (2017). Machine learning methods for histopathological image analysis. Retrieved from https://arxiv.org/pdf/1709.00786.pdfLake, B. M., Salakhutdinov, R. R., Gross, J., & Tenenbaum, J. B. (2011). One shot learning of simple visual concepts. Proceedings of the 33rd Annual Conference of the Cognitive Science Society (CogSci 2011), 172, 2568–2573. Retrieved from http://palm.mindmodeling.org/cogsci2011/papers/0601/paper0601.pdfMegías, P., & Molist, P. (2018). Técnicas histológicas, Proceso histológico. Atlas de histología vegetal y animal. Departamento de Biología Funcional y Ciencias de la Salud. Facultad de Biología. Universidad de Vigo, España. Retrieved from https://mmegias.webs.uvigo.es/6-tecnicas/1-proceso.phpMeyer, J., & Paré, G. (2015). Telepathology impacts and implementation challenges. In Archives of Pathology and Laboratory Medicine (Vol. 139, pp. 1550–1557). College of American Pathologists. https://doi.org/10.5858/arpa.2014-0606-RANimo, Ana María. (2016). La patología digital revoluciona el proceso de diagnóstico. Retrieved from http://www.innovacionensalud.elmundo.es/salud-digital/la-patologia-digital-revoluciona-el-proceso-de-diagnosticoPadmanabhan, R. 1984-. (2014). Active and Transfer learning Methods for Computational Histology. Retrieved from https://uh-ir.tdl.org/uh-ir/handle/10657/787Pantanowitz, L., Evans, A., Pfeifer, J., Collins, L., Valenstein, P., Kaplan, K., … Colgan, T. (2011). Review of the current state of whole slide imaging in pathology. Journal of Pathology Informatics, 2(1), 36. https://doi.org/10.4103/2153-3539.83746Journal of Pathology Informatics, 2(1), 36. https://doi.org/10.4103/2153-3539.83746 21. Pardo, C., de Vries, E., Duarte, J. M., & Piñeros, M. (2015). Cáncer en la Unidad de Cáncer del Hospital Departamental de Villavicencio, Colombia, 2006-2008. Revista Colombiana de Cancerología, 19(3), 125–132. https://doi.org/10.1016/j.rccan.2015.06.005Puerto, M., Vargas, T., & Cruz-Roa, A. (2016). A Digital Pathology application for whole-slide histopathology image analysis based on genetic algorithm and Convolutional Networks. In 2016 IEEE Latin American Conference on Computational Intelligence (LA-CCI) (pp. 1–7). IEEE. https://doi.org/10.1109/LA-CCI.2016.7885738Redacción de El País. (2016). ¿Faltan más especialistas médicos en Cali?. Retrieved from www.elpais.com.co/colombia/faltan-mas-especialistas-medicos-en-cali.htmlRoss, M. H., Pawlina, W., & Negrete, J. H. (2007). Histología : texto y atlas color con biología celular y molecular. Médica Panamericana.Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., Fei-Fei, L. (2015). ImageNet Large Scale Visual Recognition Challenge. International Journal of Computer Vision, 115(3), 211–252. https://doi.org/10.1007/s11263-015-0816-yTreanor, D., Gallas, B. D., Gavrielides, M. A., & Hewitt, S. M. (2015). Evaluating whole slide imaging: A working group opportunity. Journal of Pathology Informatics, 6, 4. Retrieved from http://www.jpathinformatics.org/text.asp?2015/6/1/4/151880Vinyals, O., Blundell, C., Lillicrap, T., Kavukcuoglu, K., & Wierstra, D. (2016). Matching Networks for One Shot Learning. https://doi.org/10.1109/CVPR.2016.95Wright, A., Magee, D., Quirke, P., & Treanor, D. E. (2014). Towards automatic patient selection for chemotherapy in colorectal cancer trials. In M. N. Gurcan & A. Madabhushi (Eds.) (p. 90410A). https://doi.org/10.1117/12.2043220Pardo, Constanza, de Vries, Esther, Duarte, José María, & Piñeros, Marion. (2015). Cáncer en la Unidad de Cáncer del Hospital Departamental de Villavicencio, Colombia, 2006-2008. Revista Colombiana de Cancerología, 19(3), 125-132.Piñeros, M., Sánchez, R., Perry, F., García, O., Ocampo, R., & Cendales, R.. (2011). Demoras en el diagnóstico y tratamiento de mujeres con cáncer de mama en Bogotá, Colombia. Salud Pública de México, 53(6), 478-485.Bromley, J., Bentz, J., Bottou, L., Guyon, I., LeCun, Y., Moore, C., Sackinger, E., & Shah, R. (1993). Signature verification using a siamese time delay neural network. International Journal of Pattern Recognition and Artificial Intelligence, 7 (04):669–688.Koch, G., Zemel, R., & Salakhutdinov, R. (2015). Siamese Neural Networks for One-shot Image Recognition. Department of Computer Science, University of Toronto. Toronto, Ontario, Canada. Proceedings of the 32nd International Conference on Machine Learning, Lille, France, 2015. JMLR: W&CP volume 37Computer Vision. (2018). Siamese Neural Networks. Lugar de publicación: Computer Vision, Tecnalia. https://computervision.tecnalia.com/es/2018/08/siamese-neural-networks/Cruz-Roa, A., Gilmore, H., Basavanhally, A., Feldman, M., Ganesan, S., Shih, N., Tomaszewski, J., Gonzalez, F., & Madabhushi, A. (2017). Accurate and reproducible invasive breast cancer detection in whole-slide images: A Deep Learning approach for quantifying tumor extent. In: Scientific Reports 7, 46450. https://doi.org/https://doi.org/doi:10.1038/srep46450Cruz-Roa, A., Arevalo, J., Judkinsc, A., Madabhushid, A., and Gonzalez, F. (2015). A method for medulloblastoma tumor differentiation based on convolutional neural networks and transfer learning, 11th International Symposium on Medical Information Processing and Analysis 9681Krizhevsky, A., Sutskever, I. Hinton, G. (2012). ImageNet Classification with Deep Convolutional Neural Networks. In: Advances in Neural Information Processing Systems 25, 1106-1114Ciresan, D., Giusti, A., Gambardella, L. Schmidhuber, J. (2013). Mitosis Detection in Breast Cancer Histology Images with Deep Neural Networks. In: Medical Image Computing and Computer-Assisted Intervention - MICCAI 2013, 8150, 411-418Wang, H. et al. (2014). Mitosis detection in breast cancer pathology images by combining handcrafted and convolutional neural network features. In: Journal of Medical Imaging 1, 34003Cruz-Roa, A. et al. (2014). Automatic detection of invasive ductal carcinoma in whole slide images with convolutional neural networks. In: Proc. SPIE 9041, 904103-904115DeSantis, C., Ma, J., Bryan, L. Jemal. (2014). A. Breast Cancer Statistics, 2013. In: A Cancer Journal for Clinicians 64(1), 52-62.DeSantis, C., Siegel, R., Bandi, P. Jemal. (2011). A. Breast cancer statistics, 2011. In: A Cancer Journal for Clinicians 61, 408-418Donahue, J., Jia, Y., Vinyals, O., Hoffman, J., Zhang, N., Tzeng, E., and Darrell, T. (2013). Decaf: A deep convolutional activation feature for generic visual recognition. CoRR abs/1310.1531Byra, M., Styczynski, G., Szmigielski, C., Kalinowski, P., Michałowski, Ł., Paluszkiewicz, R., Nowicki, A. (2018). Transfer learning with deep convolutional neural network for liver steatosis assessment in ultrasound images. International journal of computer assisted radiology and surgery, 13(12), 1895–1903. doi:10.1007/s11548-018-1843-2Huynh BQ, Li H, Giger ML. (2016). Digital mammographic tumor classification using transfer learning from deep convolutional neural networks. J Med Imaging. doi: 10.1117/1.JMI.3.3.034501.Deshpande, A. (n.d.). A Beginner's Guide To Understanding Convolutional Neural Networks. Recuperado de https://adeshpande3.github.io/adeshpande3.github.io/A-Beginner's-Guide-To-Understanding-Convolutional-Neural-Networks/Hong, S. (2017). A Vision for Making Deep Learning Simple From Machine Learning Practitioners to Business Analysts. Databricks. Recuperado de https://databricks.com/blog/2017/06/06/databricks-vision-simplify-large-scale-deep-learning.htmlCano, F., Madabhushi, A., & Cruz-Roa, A. (2018). A comparative analysis of sensitivity of convolutional neural networks for histopathology image classification in breast cancer. Proc. SPIE 10975, 14th International Symposium on Medical Information Processing and Analysis, 109750W; doi: 10.1117/12.2511647; https://doi.org/10.1117/12.2511647Neurohive. (2018). VGG16 – Convolutional Network for Classification and Detection. Recuperado de https://neurohive.io/en/popular-networks/vgg16/Recuperado de https://neurohive.io/en/popular-networks/vgg16/ 49. Lamba, H. (2019). One Shot Learning with Siamese Networks using Keras. Publicado en: Towards Data Science. Recuperado de https://towardsdatascience.com/one-shot-learning-with-siamese-networks-using-keras-17f34e75bb3dFreitas, T. (2018). Implementation of Siamese Neural Networks for One-shot Image Recognition. Recuperado de https://github.com/Goldesel23/Siamese-Networks-for-One-Shot-LearningRao, S. (2018). MITOS-RCNN: A Novel Approach to Mitotic Figure Detection in Breast Cancer Histopathology Images using Region Based Convolutional Neural Networks. Elsevier Medical Image Analysis Journal. https://arxiv.org/abs/1807.01788HistopatologíaPatología digitalAprendizaje de una sola vezAprendizaje semi-supervisadoAnálisis de imágenes médicasClasificación automáticaHistopathologyDigital pathologyOne shot learningSemi-supervised learningMedical image analysisAutomatic classificationPublication0000-0003-3389-8913virtual::213-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000629650virtual::213-1d0bc1d74-eceb-4ddd-9df7-0d4ad521b2d3virtual::213-1d0bc1d74-eceb-4ddd-9df7-0d4ad521b2d3virtual::213-1LICENSElicense.txtlicense.txttext/plain; charset=utf-815543https://repositorio.unillanos.edu.co/bitstreams/da0d10d8-2541-4904-957e-b1f07ce7b649/download73a5432e0b76442b22b026844140d683MD51ORIGINALTrabajo de gradoTrabajo de gradoapplication/pdf2808929https://repositorio.unillanos.edu.co/bitstreams/d0652353-7a9a-488c-b31e-c4864f6799ab/download659f67bc63cfa03a48d42750281b17bdMD52Carta de autorizaciónCarta de autorizaciónapplication/pdf368174https://repositorio.unillanos.edu.co/bitstreams/17ff3cb8-aac5-4fc1-a4e4-a70d7520469b/download36a79ac6b360c0bd9bb80b30cd6caebfMD53Anexo 1Anexo 1application/pdf1239351https://repositorio.unillanos.edu.co/bitstreams/6a17cab5-7c18-4c5b-93f0-600e92273b3c/downloadf165acef80dcac2b9fffe948692d2cf4MD54Anexo 2Anexo 2application/pdf271682https://repositorio.unillanos.edu.co/bitstreams/90a24ac8-6d3e-4f4f-af2f-17813fc6f537/download446d027ddc621c0d8d53046fec5468feMD55Anexo 3Anexo 3application/pdf291436https://repositorio.unillanos.edu.co/bitstreams/0e246e7d-b98a-4cf5-b02b-6e8ce12345f7/downloaddf5d41d74d11063385e7af34f7894a50MD56TEXTTrabajo de grado.txtTrabajo de grado.txtExtracted texttext/plain101746https://repositorio.unillanos.edu.co/bitstreams/de4b2c39-81c2-4ab6-85ef-07da7ad8b9f1/downloadece9d6c0afb380f3bc447bc115af48eaMD57Carta de autorización.txtCarta de autorización.txtExtracted texttext/plain42https://repositorio.unillanos.edu.co/bitstreams/bac40bd3-8c6d-439d-8ba9-b3092eee2a9d/download48bb9d925a2534e37ca688c07fc77fe2MD59Anexo 1.txtAnexo 1.txtExtracted texttext/plain28850https://repositorio.unillanos.edu.co/bitstreams/e87fbf6c-8bed-4233-82ec-d28b0feef6ff/download75b8fc17f626ee8755d6c69a17d3d7aeMD511Anexo 2.txtAnexo 2.txtExtracted texttext/plain27447https://repositorio.unillanos.edu.co/bitstreams/cbcdf61d-dfeb-4ebb-ac13-880b3269aa06/downloade92459ffc0a732a2fed1b8fc0a664aa2MD513Anexo 3.txtAnexo 3.txtExtracted texttext/plain4736https://repositorio.unillanos.edu.co/bitstreams/b3ba4816-a3db-4cfc-9434-17fcd9d798c6/download0bf62259d67ca9ce354c68bf82e0947dMD515THUMBNAILTrabajo de grado.jpgTrabajo de grado.jpgGenerated Thumbnailimage/jpeg6147https://repositorio.unillanos.edu.co/bitstreams/56068e1f-fa4f-4693-b849-b71bfd4d46b4/download1f70fe7f9ac3526cde6692459c807dc1MD58Carta de autorización.jpgCarta de autorización.jpgGenerated Thumbnailimage/jpeg14019https://repositorio.unillanos.edu.co/bitstreams/ea96254b-9faf-4ca4-844b-bc9bd8a23f68/download22b89b3a276cd484bb603f7431b92396MD510Anexo 1.jpgAnexo 1.jpgGenerated Thumbnailimage/jpeg9675https://repositorio.unillanos.edu.co/bitstreams/ae8e42a2-4547-4d3a-95ce-bdd362cd68ba/downloadd2c64f8ccde9a84859386da197f06a0fMD512Anexo 2.jpgAnexo 2.jpgGenerated Thumbnailimage/jpeg14052https://repositorio.unillanos.edu.co/bitstreams/fe28bdb9-4033-4921-ae15-16e81cd1de0b/download718782939d28b132df5d594639f9ff3fMD514Anexo 3.jpgAnexo 3.jpgGenerated Thumbnailimage/jpeg6138https://repositorio.unillanos.edu.co/bitstreams/4fbc2c40-e7de-47ce-ae9d-8bc5158700bd/download9f1bd713638724a6a94de17ef824c200MD516001/4561oai:repositorio.unillanos.edu.co:001/45612024-10-24 04:00:58.233https://creativecommons.org/licenses/by-nc-nd/4.0/Derechos reservados - Universidad de los Llanos, 2019open.accesshttps://repositorio.unillanos.edu.coRepositorio Universidad de Los Llanosrepositorio@unillanos.edu.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 |