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
dc.contributor.advisor | Cruz Roa, Angel Alfonso | |
dc.contributor.advisor | Alvarez, Charlems | |
dc.contributor.advisor | Romero, Eduardo | |
dc.contributor.author | Caviedes Rojas, Jerson Mauricio | |
dc.date.accessioned | 2024-09-06T21:46:28Z | |
dc.date.available | 2024-09-06T21:46:28Z | |
dc.date.issued | 2020 | |
dc.description | Incluye imágenes, tablas y anexos. | spa |
dc.description.abstract | 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, 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-T2W | spa |
dc.description.degreelevel | Pregrado | |
dc.description.degreename | Ingeniero(a) de Sistemas | |
dc.description.notes | Trabajo de grado en la modalidad de Trabajo de Investigación (TI) presentado como requisito parcial para optar al título de Ingeniero de Sistemas | spa |
dc.description.tableofcontents | Introducción. – 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.extent | 47 páginas | |
dc.format.mimetype | application/pdf | |
dc.identifier.citation | Caviedes 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.instname | Universidad de los Llanos | |
dc.identifier.reponame | Repositorio digital Universidad de los Llanos | |
dc.identifier.repourl | https://repositorio.unillanos.edu.co/ | |
dc.identifier.uri | https://repositorio.unillanos.edu.co/handle/001/4292 | |
dc.language.iso | spa | |
dc.publisher | Universidad de los Llanos | |
dc.publisher.branch | Sede Barcelona | |
dc.publisher.faculty | Facultad de Ciencias Básicas e Ingeniería | |
dc.publisher.place | Villavicencio | |
dc.publisher.program | Ingeniería de Sistemas | |
dc.relation.references | Lafuente 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.references | American 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.references | Global Cancer Observatory. (2018). Age standardized (World) incidence rates, prostate, all ages. https://doi.org/10.6 | |
dc.relation.references | Barentsz, 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.references | Fehr, 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.references | Wibmer, 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.references | Tiwari, 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.references | Le, 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.references | Lundervold, 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.references | Tajbakhsh, 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.references | Instituto 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.references | Galán 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.references | ElTiempo. (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.references | Monsalve, 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.references | Obando, 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.references | Amaya 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.references | Gili, J., & Alonso, J. (2003.). Introducción Biofísica a la Resonancia Magnética en Neuroimagen. | |
dc.relation.references | National 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.references | Barentsz, 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.references | Uriburu Pizarro, F. (2016). Resonancia Magnética multiparamétrica de Próstata, el método que revolucionó el diagnóstico, estadificación y tratamiento del Cáncer de Próstata. | |
dc.relation.references | Bolaños 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.references | Suzuki, 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.references | Arvaniti, 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.references | Liao, 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.references | Wang, 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.references | Eckert & Ziegler. (2019). Cáncer de próstata-Información para el paciente. | |
dc.relation.references | Society for Medical Oncology, E. (2018). ES | Cancer de Próstata: Guía para Pacientes. | |
dc.relation.references | Cohen, 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.references | McNeal, J. E. (1978). Origin and evolution of benign prostatic enlargement. Investigative Urology, 15(4), 340–345. | |
dc.relation.references | Cordeiro, J. M. (2014, January 1). Ecografía transrectal prostática: diagnóstico diferencial y cribado neoplásico. https://doi.org/10.1594/seram2014/S-0391 | |
dc.relation.references | Santana 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.references | Velasco 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.references | Raudales Díaz, I. R. (2014). Imágenes Diagnósticas: Conceptos y Generalidades. | |
dc.relation.references | Alberich 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.references | Vilanova, 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.references | De 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.references | Pepe, 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.references | Jacobs, 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.references | Mazaheri, 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.references | Verma, 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.references | Suzuki, 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.references | Qeethara Kadhim Al-Shayea. (2011). Artificial Neural Networks in Medical Diagnosis. Retrieved from www.IJCSI.org | |
dc.relation.references | Amato, 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.references | Mishra, 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.references | Schmidhuber, 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.references | Lecun, Y., Bengio, Y., & Hinton, G. (2015, May 27). Deep learning. Nature, Vol. 521, pp. 436–444. https://doi.org/10.1038/nature14539 | |
dc.relation.references | Cerda, 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.references | Refaeilzadeh, P., Tang, L., & Liu, H. (2011). C Cross-Validation. | |
dc.relation.references | Narkhede, S. (2018). Understanding AUC - ROC Curve. Retrieved from https://towardsdatascience.com/understanding-auc-roc-curve- 68b2303cc9c5 | |
dc.relation.references | Sunasra, 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.references | Torres, 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.references | ElPaís. (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.rights | Derechos reservados - Universidad de los Llanos, 2020 | spa |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | |
dc.rights.coar | http://purl.org/coar/access_right/c_abf2 | |
dc.rights.license | Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) | |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
dc.subject.armarc | Campos magnéticos | |
dc.subject.armarc | Diagnóstico por imagen | |
dc.subject.proposal | Análisis de imágenes | spa |
dc.subject.proposal | Información multimodal | spa |
dc.subject.proposal | Aprendizaje automático | spa |
dc.subject.proposal | Cáncer de próstata | spa |
dc.subject.proposal | Resonancia magnética | spa |
dc.title | 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 | spa |
dc.type | Trabajo de grado - Pregrado | |
dc.type.category | Proyectos de investigación | |
dc.type.coar | http://purl.org/coar/resource_type/c_7a1f | |
dc.type.coarversion | http://purl.org/coar/version/c_970fb48d4fbd8a85 | |
dc.type.content | Text | |
dc.type.driver | info:eu-repo/semantics/bachelorThesis | |
dc.type.version | info:eu-repo/semantics/publishedVersion | |
dspace.entity.type | Publication |
Archivos
Bloque original
1 - 5 de 5
Cargando...
- Nombre:
- Carta de autorización
- Tamaño:
- 363.52 KB
- Formato:
- Adobe Portable Document Format
Cargando...
- Nombre:
- Anexo 1
- Tamaño:
- 277.31 KB
- Formato:
- Adobe Portable Document Format
- Descripción:
- Manual técnico
Cargando...
- Nombre:
- Anexo 2
- Tamaño:
- 46.58 KB
- Formato:
- Adobe Portable Document Format
- Descripción:
- Implementación
Cargando...
- Nombre:
- Anexo 3
- Tamaño:
- 872.22 KB
- Formato:
- Adobe Portable Document Format
- Descripción:
- Artículo
Bloque de licencias
1 - 1 de 1
Cargando...
- Nombre:
- license.txt
- Tamaño:
- 15.18 KB
- Formato:
- Item-specific license agreed upon to submission
- Descripción: