Icono govco
 

Publicación:
Algoritmo de aprendizaje semi-supervisado para la clasificación automática de regiones en imágenes de histopatología como apoyo al diagnóstico de cáncer

Vista sencilla de ítem
dc.contributor.advisorCruz Roa, Angel Alfonso
dc.contributor.authorCano Ramírez, Fabián Alberto
dc.date.accessioned2024-10-23T21:01:54Z
dc.date.available2024-10-23T21:01:54Z
dc.date.issued2019
dc.descriptionIncluye tablas, figuras y anexos.spa
dc.description.abstractEl 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.spa
dc.description.abstractThe 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.eng
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero(a) de Sistemas
dc.description.notesTrabajo de grado en la modalidad de estudiante en proyecto de investigación (EPI) presentado como requisito parcial para optar al título de Ingeniero de Sistemas.spa
dc.description.tableofcontents1. 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.spa
dc.format.extent74 páginas
dc.format.mimetypeapplication/pdf
dc.identifier.citationCano 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.instnameUniversidad de los Llanos
dc.identifier.reponameRepositorio digital Universidad de los Llanos
dc.identifier.repourlhttps://repositorio.unillanos.edu.co
dc.identifier.urihttps://repositorio.unillanos.edu.co/handle/001/4561
dc.language.isospa
dc.publisherUniversidad de los Llanos
dc.publisher.branchSede Barcelona
dc.publisher.facultyFacultad de Ciencias Básicas e Ingeniería
dc.publisher.placeVillavicencio
dc.publisher.programIngeniería de Sistemas
dc.relation.referencesAgencia 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
dc.relation.referencesAngel 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
dc.relation.referencesArévalo, 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
dc.relation.referencesBracey, 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
dc.relation.referencesCruz-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
dc.relation.referencesCruz 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
dc.relation.referencesDaniel, 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
dc.relation.referencesDemir, 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
dc.relation.referencesDoyle, 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
dc.relation.referencesFuchs, 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
dc.relation.referencesGarcía, 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
dc.relation.referencesGarcía, 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
dc.relation.referencesJia 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
dc.relation.referencesKomura, D., & Ishikawa, S. (2017). Machine learning methods for histopathological image analysis. Retrieved from https://arxiv.org/pdf/1709.00786.pdf
dc.relation.referencesLake, 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
dc.relation.referencesMegías, 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
dc.relation.referencesMeyer, 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
dc.relation.referencesNimo, 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
dc.relation.referencesPadmanabhan, R. 1984-. (2014). Active and Transfer learning Methods for Computational Histology. Retrieved from https://uh-ir.tdl.org/uh-ir/handle/10657/787
dc.relation.referencesPantanowitz, 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
dc.relation.referencesJournal 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
dc.relation.referencesPuerto, 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
dc.relation.referencesRedacción de El País. (2016). ¿Faltan más especialistas médicos en Cali?. Retrieved from www.elpais.com.co/colombia/faltan-mas-especialistas-medicos-en-cali.html
dc.relation.referencesRoss, M. H., Pawlina, W., & Negrete, J. H. (2007). Histología : texto y atlas color con biología celular y molecular. Médica Panamericana.
dc.relation.referencesRussakovsky, 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
dc.relation.referencesTreanor, 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
dc.relation.referencesVinyals, O., Blundell, C., Lillicrap, T., Kavukcuoglu, K., & Wierstra, D. (2016). Matching Networks for One Shot Learning. https://doi.org/10.1109/CVPR.2016.95
dc.relation.referencesWright, 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
dc.relation.referencesPardo, 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.
dc.relation.referencesPiñeros, 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.
dc.relation.referencesBromley, 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.
dc.relation.referencesKoch, 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
dc.relation.referencesComputer Vision. (2018). Siamese Neural Networks. Lugar de publicación: Computer Vision, Tecnalia. https://computervision.tecnalia.com/es/2018/08/siamese-neural-networks/
dc.relation.referencesCruz-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
dc.relation.referencesCruz-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
dc.relation.referencesKrizhevsky, A., Sutskever, I. Hinton, G. (2012). ImageNet Classification with Deep Convolutional Neural Networks. In: Advances in Neural Information Processing Systems 25, 1106-1114
dc.relation.referencesCiresan, 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
dc.relation.referencesWang, 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
dc.relation.referencesCruz-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
dc.relation.referencesDeSantis, C., Ma, J., Bryan, L. Jemal. (2014). A. Breast Cancer Statistics, 2013. In: A Cancer Journal for Clinicians 64(1), 52-62.
dc.relation.referencesDeSantis, C., Siegel, R., Bandi, P. Jemal. (2011). A. Breast cancer statistics, 2011. In: A Cancer Journal for Clinicians 61, 408-418
dc.relation.referencesDonahue, 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
dc.relation.referencesByra, 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
dc.relation.referencesHuynh 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.
dc.relation.referencesDeshpande, 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/
dc.relation.referencesHong, 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
dc.relation.referencesCano, 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
dc.relation.referencesNeurohive. (2018). VGG16 – Convolutional Network for Classification and Detection. Recuperado de https://neurohive.io/en/popular-networks/vgg16/
dc.relation.referencesRecuperado 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
dc.relation.referencesFreitas, T. (2018). Implementation of Siamese Neural Networks for One-shot Image Recognition. Recuperado de https://github.com/Goldesel23/Siamese-Networks-for-One-Shot-Learning
dc.relation.referencesRao, 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.rightsDerechos reservados - Universidad de los Llanos, 2019spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.proposalHistopatologíaspa
dc.subject.proposalPatología digitalspa
dc.subject.proposalAprendizaje de una sola vezspa
dc.subject.proposalAprendizaje semi-supervisadospa
dc.subject.proposalAnálisis de imágenes médicasspa
dc.subject.proposalClasificación automáticaspa
dc.subject.proposalHistopathologyeng
dc.subject.proposalDigital pathologyeng
dc.subject.proposalOne shot learningeng
dc.subject.proposalSemi-supervised learningeng
dc.subject.proposalMedical image analysiseng
dc.subject.proposalAutomatic classificationeng
dc.titleAlgoritmo de aprendizaje semi-supervisado para la clasificación automática de regiones en imágenes de histopatología como apoyo al diagnóstico de cáncerspa
dc.typeTrabajo de grado - Pregrado
dc.type.categoryProyectos de investigación
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.versioninfo:eu-repo/semantics/publishedVersion
dspace.entity.typePublication
person.identifier.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000629650
person.identifier.orcid0000-0003-3389-8913
relation.isDirectorOfPublicationd0bc1d74-eceb-4ddd-9df7-0d4ad521b2d3
relation.isDirectorOfPublication.latestForDiscoveryd0bc1d74-eceb-4ddd-9df7-0d4ad521b2d3

Archivos

Bloque original
Mostrando 1 - 5 de 5
Miniatura
Nombre:
Trabajo de grado
Tamaño:
2.68 MB
Formato:
Adobe Portable Document Format
Descargar
Miniatura
Nombre:
Carta de autorización
Tamaño:
359.54 KB
Formato:
Adobe Portable Document Format
Descargar
Miniatura
Nombre:
Anexo 1
Tamaño:
1.18 MB
Formato:
Adobe Portable Document Format
Descargar
Miniatura
Nombre:
Anexo 2
Tamaño:
265.31 KB
Formato:
Adobe Portable Document Format
Descargar
Miniatura
Nombre:
Anexo 3
Tamaño:
284.61 KB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
15.18 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Tesis y Trabajos de Grado