Icono govco
 

Publicación:
Implementación de un método computacional basado en aprendizaje automático para la clasificación de tejido canceroso a partir de información multimodal de imágenes de resonancia magnética como apoyo al diagnóstico en cáncer de próstata

Vista sencilla de ítem
dc.contributor.advisorCruz Roa, Angel Alfonso
dc.contributor.advisorAlvarez, Charlems
dc.contributor.advisorRomero, Eduardo
dc.contributor.authorCaviedes Rojas, Jerson Mauricio
dc.date.accessioned2024-09-06T21:46:28Z
dc.date.available2024-09-06T21:46:28Z
dc.date.issued2020
dc.descriptionIncluye imágenes, tablas y anexos.spa
dc.description.abstractLa resonancia magnética (RM) es una tecnología ampliamente usada en medicina para la detección de enfermedades, el monitoreo de tratamientos, entre otros. La RM consiste en un proceso de tomografía de emisión que se basa en la excitación de los núcleos de los átomos de hidrógeno. En este proceso se introduce en un campo magnético estático potente, donde los núcleos adquieren una orientación y al mismo tiempo, con los momentos magnéticos, realizan un movimiento provocado por el campo magnético. La RM tiene varias ventajas: capacidad de adquisición multiplanar, una elevada resolución de contraste, ausencia de efectos nocivos por radiación ionizante y una amplia posibilidad del manejo del contraste (Lafuente Martínez, Luis, & Moreno, 2016). La resonancia magnética (RM) es una tecnología ampliamente usada en medicina para la detección de enfermedades, el monitoreo de tratamientos, entre otros. La RM consiste en un proceso de tomografía de emisión que se basa en la excitación de los núcleos de los átomos de hidrógeno. En este proceso se introduce en un campo magnético estático potente, donde los núcleos adquieren una orientación y al mismo tiempo, con los momentos magnéticos, realizan un movimiento provocado por el campo magnético. La RM tiene varias ventajas: capacidad de adquisición multiplanar, 6 una elevada resolución de contraste, ausencia de efectos nocivos por radiación ionizante y una amplia posibilidad del manejo del contraste (Lafuente Martínez, Luis, & Moreno, 2016). Según la GLOBOCAN (Global Cancer Observatory) para el 2018 alrededor del mundo se presentaron 1’276.106 de nuevos casos de cáncer de próstata, donde para ese mismo año se produjeron 358.989 muertes relacionados con este mismo tipo de cáncer. En cuanto a Colombia en el 2018, la GLOBOCAN registró 12.712 de nuevos casos de cáncer de próstata y el número de personas que fallecieron fue de 3.166 (GLOBOCAN , 2018). Algunos factores de riesgos que pueden causar cáncer de próstata son la edad, donde existe una alta probabilidad que después de los 50 años se pueda padecer y alrededor de 6 de cada 10 casos de cáncer de próstata se detectan en hombres mayores de 65 años. También influye la raza o el grupo étnico, los hombres de razas negra y en hombres con ascendencia africana el cáncer de próstata ocurre con más frecuencia, además de los antecedentes familiares (American Cancer Society, 2019). Por otro lado, se ha ido trabajado para mejorar este tipo de tecnología, es por eso que también se habla de la resonancia magnética multiparamétrica (mpMRI por su siglas en inglés), en particular para diagnosticar cáncer de próstata. La resonancia magnética multiparamétrica de próstata consiste en la combinación de imágenes anatómicas de alta resolución tradicionales (por ejemplo T2) con técnicas de imágenes funcionales, por ejemplo resonancia por difusión ponderadas (DWI por sus siglas en inglés), resonancia magnética por perfusión (PRM) o espectroscopía. Por ejemplo, las imágenes T2W (secuencia T2 ponderadas) se usan para analizar la morfología de la zona prostática con el fin de evaluar anomalías en la zona de transición, mientras las imágenes DWI reflejan y miden los movimientos de las moléculas de agua y se usan para la detección de cáncer en la zona prostática periférica (Barentsz et al., 2016). En la actualidad estos avances han ido aún más allá al introducirse la inteligencia artificial en el campo de la medicina para contribuir en la mejora de los diagnósticos en el cáncer de próstata , por ejemplos existen trabajos como el de Fehr et al. (Feht, 2015) , Wibmer et al. (Wibmer et al., 2015), Tiwari et al. (Tiwari, Kurhanewicz, & Madabhushi, 2013) o el de Le et al. (Le, 2017) en donde se implementa métodos computacionales con el uso de las diferentes modalidades de resonancia magnéticas, con el objetivo de diagnosticar de manera precisa el estado de una lesión de cáncer de próstata. Las redes neuronales convolucionales se han utilizada durante décadas en el campo de visión por computador, aunque sólo fue conocido su verdadero valor en la competición ImageNet en el 2012, donde el uso eficiente de las unidades de procesamiento gráfico, el aumento de datos ,además del uso de nuevas técnicas permitieron que se convirtiera en uno de los mejores avances en el campo del aprendizaje automático (Tajbakhsh et al., 2016). Tradicionalmente los modelos de aprendizaje automático eran entrenados para realizar tareas basadas en la extracción 7 manual de características que tomaban de los datos sin procesamiento. En cambio en el aprendizaje profundo, las computadoras aprenden representaciones y características eficientes de manera automática, tomadas directamente de los datos en crudo (Lundervold & Lundervold, 2019). Existen diferentes variantes de modelos de aprendizaje profundo, para la aplicación en diferentes ámbitos o tareas, por ejemplo en el procesamiento del lenguaje natural, procesamiento de imágenes hiperespectrales y análisis de imágenes médicas (Tajbakhsh et al., 2016). El objetivo de este trabajo de grado fue proponer una solución basada en un algoritmo de aprendizaje automático de Deep Learning, basado en Redes Neuronales Convolucionales, para la clasificación de tejidos de próstata a partir de información multimodal de imágenes digitales de resonancia magnética multiparamétrica (T2W, ADC (coeficientes de difusión aparente) y Ktrans que son imágenes post-procesadas de la modalidad DCE ) como apoyo a la investigación y/o diagnóstico del cáncer de próstata. En los resultados se obtuvieron en una primera fase un valor de AUC promedio de 0,71 (±0,127) con el uso de la modalidad Ktrans y en una segunda usando la arquitectura descrita en el artículo de Gutiérrez et al. (Gutierrez, 2019) un valor de AUC promedio de 0.72 (±0,058) combinando las modalidades Ktrans-T2Wspa
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero(a) de Sistemas
dc.description.notesTrabajo de grado en la modalidad de Trabajo de Investigación (TI) presentado como requisito parcial para optar al título de Ingeniero de Sistemasspa
dc.description.tableofcontentsIntroducción. – Objetivos. -- Objetivo general. -- Objetivos específicos. -- Marco de referencia. – Próstata. -- Cáncer de próstata. -- Escala de gleason. -- Resonancia magnética. -- Resonancia magnética multiparamétrica. -- T2 ponderado (t2w). -- Coeficiente de difusión aparente (ADC). -- Contraste dinámico mejorado (DCE). -- Redes neuronales artificiales y aprendizaje profundo. -- Redes neuronales convolucionales. -- Metodología y evaluación experimental. -- Conjunto de datos de MPMRI de cáncer de próstata. -- Preprocesamiento del conjunto de datos. -- Diseño de las arquitecturas de las CNN. -- Entrenamiento de las arquitecturas con el conjunto de datos. -- Resultados obtenidos. -- Resultados adicionales. – Conclusiones. -- Trabajos futuros. -- Referencias y bibliografía. -- Anexos.spa
dc.format.extent47 páginas
dc.format.mimetypeapplication/pdf
dc.identifier.citationCaviedes Rojas, Jerson M. (2020). Implementación de un método computacional basado en aprendizaje automático para la clasificación de tejido canceroso a partir de información multimodal de imágenes de resonancia magnética como apoyo al diagnóstico en cáncer de próstata [Trabajo de grado, Universidad de los Llanos]. Repositorio 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/001/4292
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.referencesLafuente Martínez, J., Luis, Y., & Moreno, H. (2016). GENERALIDADES Y Conceptos Básicos de Resonancia Magnética (RM) Técnica de la Imagen por Resonancia Magnética. Retrieved from http://www.serme.es/wp- content/uploads/2016/05/capitulo1p.pdf
dc.relation.referencesAmerican Cancer Society. (2017). Pruebas para detectar el cáncer de próstata. Retrieved September 27, 2019, from 42 https://www.cancer.org/es/cancer/cancer-de-prostata/deteccion- diagnostico-clasificacion-por-etapas/como-se-diagnostica.html
dc.relation.referencesGlobal Cancer Observatory. (2018). Age standardized (World) incidence rates, prostate, all ages. https://doi.org/10.6
dc.relation.referencesBarentsz, J. O., Weinreb, J. C., Verma, S., Thoeny, H. C., Tempany, C. M., Shtern, F., ... Choyke, P. L. (2016). Synopsis of the PI-RADS v2 Guidelines for Multiparametric Prostate Magnetic Resonance Imaging and Recommendations for Use. European Urology, 69(1), 41–49. https://doi.org/10.1016/j.eururo.2015.08.038
dc.relation.referencesFehr, D., Veeraraghavan, H., Wibmer, A., Gondo, T., Matsumoto, K., Vargas, H. A., ... Deasy, J. O. (2015). Automatic classification of prostate cancer Gleason scores from multiparametric magnetic resonance images. Proceedings of the National Academy of Sciences of the United States of America, 112(46), E6265-73. https://doi.org/10.1073/pnas.1505935112
dc.relation.referencesWibmer, A., Hricak, H., Gondo, T., Matsumoto, K., Veeraraghavan, H., Fehr, D., ... Vargas, H. A. (2015). Haralick texture analysis of prostate MRI: utility for differentiating non-cancerous prostate from prostate cancer and differentiating prostate cancers with different Gleason scores. European Radiology, 25(10), 2840–2850. https://doi.org/10.1007/s00330-015-3701-8
dc.relation.referencesTiwari, P., Kurhanewicz, J., & Madabhushi, A. (2013). Multi-kernel graph embedding for detection, Gleason grading of prostate cancer via MRI/MRS. Medical Image Analysis, 17(2), 219–235. https://doi.org/10.1016/J.MEDIA.2012.10.004
dc.relation.referencesLe, M. H., Chen, J., Wang, L., Wang, Z., Liu, W., Cheng, K.-T. (Tim), & Yang, X. (2017). Automated diagnosis of prostate cancer in multi-parametric MRI based on multimodal convolutional neural networks. Physics in Medicine & Biology, 62(16), 6497–6514. https://doi.org/10.1088/1361-6560/aa7731
dc.relation.referencesLundervold, A. S., & Lundervold, A. (2019, May 1). An overview of deep learning in medical imaging focusing on MRI. Zeitschrift Fur Medizinische Physik, Vol. 29, pp. 102–127. https://doi.org/10.1016/j.zemedi.2018.11.002
dc.relation.referencesTajbakhsh, N., Shin, J. Y., Gurudu, S. R., Hurst, R. T., Kendall, C. B., Gotway, M. B., & Liang, J. (2016). Convolutional Neural Networks for Medical Image Analysis: Full Training or Fine Tuning? In on Medical Imaging (Vol. 35).
dc.relation.referencesInstituto Nacional de Cancerología. (2016). CÁNCER DE PRÓSTATA. Retrieved from_http://www.cancer.gov.co/sites/default/files/infografias/archivos/cancer _de_prostata_2016.pdf
dc.relation.referencesGalán González, E., Puerto Jiménez, D., & Villareal Trujillo, N. (2015). Manual para la Detección Temprana del Cáncer de Próstata. Retrieved from http://www.cancer.gov.co/files/libros/archivos/Próstata
dc.relation.referencesElTiempo. (2016). Crisis hospitalaria en Colombia - Archivo Digital de Noticias de Colombia y el Mundo desde 1.990 - eltiempo.com. Retrieved July 30, 2018, from http://www.eltiempo.com/archivo/documento/CMS-16752832
dc.relation.referencesMonsalve, M. M. (2017, January 21). En riesgo el diagnóstico para el cáncer en Colombia | ELESPECTADOR.COM. Retrieved July 21, 2018, from https://www.elespectador.com/noticias/salud/riesgo-el-diagnostico-el- cancer-colombia-articulo-675852
dc.relation.referencesObando, V. (2016, August 7). Cáncer: trámites para recibir atención - Cortes - Justicia - ELTIEMPO.COM. Retrieved July 21, 2018, from http://www.eltiempo.com/justicia/cortes/cancer-tramites-para-recibir- atencion-45645
dc.relation.referencesAmaya Lara Jeannette Liliana, D., Beltrán Villegas, A., Chavarro, D., Romero Silva, G., Alexandra Matallana Gómez, M., Puerto García, S., ... Asistente, P. (2013). Proyecto. Retrieved from https://www.minsalud.gov.co/salud/Documents/Observatorio Talento Humano en Salud/DisponibilidadDistribuciónMdEspecialistasCendex.pdf
dc.relation.referencesGili, J., & Alonso, J. (2003.). Introducción Biofísica a la Resonancia Magnética en Neuroimagen.
dc.relation.referencesNational Institute of Biomedical Imaging and Bioengineering. (2013). Imagen por Resonancia Magnética (IRM). Retrieved January 28, 2020, from https://www.nibib.nih.gov/espanol/temas-cientificos/imagen-por-resonancia- magnética-irm
dc.relation.referencesBarentsz, J. O., Richenberg, J., Clements, R., Choyke, P., Verma, S., Villeirs, G., ... Fütterer, J. J. (2012). ESUR prostate MR guidelines 2012. European Radiology, 22(4), 746–757. https://doi.org/10.1007/s00330-011-2377-y
dc.relation.referencesUriburu Pizarro, F. (2016). Resonancia Magnética multiparamétrica de Próstata, el método que revolucionó el diagnóstico, estadificación y tratamiento del Cáncer de Próstata.
dc.relation.referencesBolaños Morera, P., & Chacón Araya, C. (2017). Revisión Bibliográfica Escala Patológica de Gleason para el Cáncer de Próstata y sus Modificaciones Resumen, 34(1). Retrieved fromhttp://www.scielo.sa.cr/pdf/mlcr/v34n1/1409-0015-mlcr-34-01- 00237.pdf
dc.relation.referencesSuzuki, K. (2017, September 1). Overview of deep learning in medical imaging. Radiological Physics and Technology, Vol. 10, pp. 257–273. https://doi.org/10.1007/s12194-017-0406-5
dc.relation.referencesArvaniti, E., Fricker, K. S., Moret, M., Rupp, N., Hermanns, T., Fankhauser, C., ... Claassen, M. (2018). Automated Gleason grading of prostate cancer tissue microarrays via deep learning. Scientific Reports, 8(1), 1–11. https://doi.org/10.1038/s41598-018-30535-1
dc.relation.referencesLiao, S., Gao, Y., Oto, A., & Shen, D. (2013). Representation learning: A unified deep learning framework for automatic prostate MR segmentation. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 8150 LNCS(PART 2), 254–261. https://doi.org/10.1007/978-3-642-40763-5_32
dc.relation.referencesWang, X., Yang, W., Weinreb, J., Han, J., Li, Q., Kong, X., ... Wang, L. (2017). Searching for prostate cancer by fully automated magnetic resonance imaging classification: Deep learning versus non-deep learning. Scientific Reports, 7(1), 1–8. https://doi.org/10.1038/s41598-017-15720-y
dc.relation.referencesEckert & Ziegler. (2019). Cáncer de próstata-Información para el paciente.
dc.relation.referencesSociety for Medical Oncology, E. (2018). ES | Cancer de Próstata: Guía para Pacientes.
dc.relation.referencesCohen, R. J., Shannon, B. A., Phillips, M., Moorin, R. E., Wheeler, T. M., & Garrett, K. L. (2008). Central Zone Carcinoma of the Prostate Gland: A Distinct Tumor Type With Poor Prognostic Features. Journal of Urology, 179(5), 1762–1767. https://doi.org/10.1016/j.juro.2008.01.017
dc.relation.referencesMcNeal, J. E. (1978). Origin and evolution of benign prostatic enlargement. Investigative Urology, 15(4), 340–345.
dc.relation.referencesCordeiro, J. M. (2014, January 1). Ecografía transrectal prostática: diagnóstico diferencial y cribado neoplásico. https://doi.org/10.1594/seram2014/S-0391
dc.relation.referencesSantana Hernández, E., Lantigua Cruz, P., Silva Velazco, E., Godoy Matos, K., Leyva Tamayo, M., & Feria Rodríguez, M. (2017). Estrategia comunitaria de prevención primaria y diagnóstico precoz del síndrome Usher en la provincia Holguín. Correo Científico Médico, 21(2), 424–433.
dc.relation.referencesVelasco Palma, A. (2018). Cáncer de la próstata: Biología molecular, herencia y prevención. ARS MEDICA Revista de Ciencias Médicas, 27(2). https://doi.org/10.11565/arsmed.v27i2.1239
dc.relation.referencesRaudales Díaz, I. R. (2014). Imágenes Diagnósticas: Conceptos y Generalidades.
dc.relation.referencesAlberich Bayarri, Á., Martí Bonmatí, L., Lafuente, J., & Guibelalde Del Castillo, E. (2013). Safe use of magnetic resonance imaging: practical recommendations for personnel. Radiología, 55(2), 99–106. https://doi.org/10.1016/j.rx.2012.10.005.
dc.relation.referencesVilanova, J. C., Comet, J., Garcia-Figueiras, R., Barceló, J., Boada, M., Trueta, J., & Girona, E. (2010). Utilidad de la resonancia magnética en el cáncer de próstata. 52(6), 513–524. https://doi.org/10.1016/j.rx.2010.06.003
dc.relation.referencesDe Visschere, P. J. L., Briganti, A., Fütterer, J. J., Ghadjar, P., Isbarn, H., Massard, C., ... Villeirs, G. M. (2016, April 1). Role of multiparametric magnetic resonance imaging in early detection of prostate cancer. Insights into Imaging, Vol. 7, pp. 205–214. https://doi.org/10.1007/s13244-016-0466- 9
dc.relation.referencesPepe, P., D’urso, D., Garufi, A., Priolo, G., Pennisi, M., Russo, G., ... Fraggetta, F. (2017). Multiparametric MRI Apparent Diffusion Coefficient (ADC) accuracy in diagnosing clinically significant prostate cancer. In Vivo, 31(3), 415–418. https://doi.org/10.21873/invivo.11075
dc.relation.referencesJacobs, M. A., Ouwerkerk, R., Petrowski, K., & MacUra, K. J. (2008, December). Diffusion-weighted imaging with apparent diffusion coefficient mapping and spectroscopy in prostate cancer. Topics in Magnetic Resonance Imaging, Vol. 19, pp. 261–272. https://doi.org/10.1097/RMR.0b013e3181aa6b50
dc.relation.referencesMazaheri, Y., Akin, O., & Hricak, H. (2017). Dynamic contrast-enhanced magnetic resonance imaging of prostate cancer: A review of current methods and applications. World Journal of Radiology, 9(12), 416–425. https://doi.org/10.4329/wjr.v9.i12.416
dc.relation.referencesVerma, S., Turkbey, B., Muradyan, N., Rajesh, A., Cornud, F., Haider, M. A., ... Harisinghani, M. (2012, June). Overview of dynamic contrast-enhanced MRI in prostate cancer diagnosis and management. American Journal of Roentgenology, Vol. 198, pp. 1277–1288. https://doi.org/10.2214/AJR.12.8510
dc.relation.referencesSuzuki, K. (2011). Artificial Neural Networks: Methodological Advances and Biomedical Applications. Retrieved from https://books.google.com.co/books?hl=es&lr=&id=JuaODwAAQBAJ&oi=fnd &pg=PR11&dq=artificial+neural+network+fundamentals&ots=XUnLURcS_b &sig=Yq0txB2vO9zcbdcyQqp4- e2ILKM&redir_esc=y#v=onepage&q=artificial neural network fundamentals&f=false
dc.relation.referencesQeethara Kadhim Al-Shayea. (2011). Artificial Neural Networks in Medical Diagnosis. Retrieved from www.IJCSI.org
dc.relation.referencesAmato, F., López, A., Peña-Méndez, E. M., Vaňhara, P., Hampl, A., & Havel, J. (2013). Artificial neural networks in medical diagnosis. Journal of Applied Biomedicine, Vol. 11, pp. 47–58. https://doi.org/10.2478/v10136-012-0031-x
dc.relation.referencesMishra, C., & Gupta, D. L. (2017). Deep Machine Learning and Neural Networks: An Overview. IAES International Journal of Artificial Intelligence (IJ-AI, 6(2), 66–73. https://doi.org/10.11591/ijai.v6.i2.pp66-73
dc.relation.referencesSchmidhuber, J. (2015, January 1). Deep Learning in neural networks: An 46 overview. Neural Networks, Vol. 61, pp. 85–117. https://doi.org/10.1016/j.neunet.2014.09.003
dc.relation.referencesLecun, Y., Bengio, Y., & Hinton, G. (2015, May 27). Deep learning. Nature, Vol. 521, pp. 436–444. https://doi.org/10.1038/nature14539
dc.relation.referencesCerda, J., & Cifuentes, L. (2012). Uso de curvas ROC en investigación clínica. Aspectos teórico-prácticos. Revista Chilena de Infectologia, 29(2), 138–141. https://doi.org/10.4067/S0716-10182012000200003
dc.relation.referencesRefaeilzadeh, P., Tang, L., & Liu, H. (2011). C Cross-Validation.
dc.relation.referencesNarkhede, S. (2018). Understanding AUC - ROC Curve. Retrieved from https://towardsdatascience.com/understanding-auc-roc-curve- 68b2303cc9c5
dc.relation.referencesSunasra, M. (2017). Performance Metrics for Classification problems in Machine Learning. Retrieved March 9, 2020, from https://medium.com/thalus- ai/performance-metrics-for-classification-problems-in-machine-learning- part-i-b085d432082b
dc.relation.referencesTorres, J. (n.d.). Deep Learning – Introducción práctica con Keras - Jordi TORRES.AI. Retrieved March 9, 2020, from https://torres.ai/deep-learning- inteligencia-artificial-keras/#_ftn1
dc.relation.referencesElPaís. (2020). La resonancia magnética muestra que el flujo sanguíneo difiere entre hombres y mujeres – Diario Digital Nuestro País. Retrieved March 9, 2020,from_https://www.elpais.cr/2020/02/29/la-resonancia-magnetica- muestra-que-el-flujo-sanguineo-difiere-entre-hombres-y-mujeres/
dc.rightsDerechos reservados - Universidad de los Llanos, 2020spa
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.armarcCampos magnéticos
dc.subject.armarcDiagnóstico por imagen
dc.subject.proposalAnálisis de imágenesspa
dc.subject.proposalInformación multimodalspa
dc.subject.proposalAprendizaje automáticospa
dc.subject.proposalCáncer de próstataspa
dc.subject.proposalResonancia magnéticaspa
dc.titleImplementación de un método computacional basado en aprendizaje automático para la clasificación de tejido canceroso a partir de información multimodal de imágenes de resonancia magnética como apoyo al diagnóstico en cáncer de próstataspa
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

Archivos

Bloque original
Mostrando 1 - 5 de 5
Miniatura
Nombre:
Trabajo de grado
Tamaño:
1.68 MB
Formato:
Adobe Portable Document Format
Descargar
Miniatura
Nombre:
Carta de autorización
Tamaño:
363.52 KB
Formato:
Adobe Portable Document Format
Descargar
Miniatura
Nombre:
Anexo 1
Tamaño:
277.31 KB
Formato:
Adobe Portable Document Format
Descripción:
Manual técnico
Descargar
Miniatura
Nombre:
Anexo 2
Tamaño:
46.58 KB
Formato:
Adobe Portable Document Format
Descripción:
Implementación
Descargar
Miniatura
Nombre:
Anexo 3
Tamaño:
872.22 KB
Formato:
Adobe Portable Document Format
Descripción:
Artículo
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