本文介绍了一种可重复且经过质量控制的人工智能辅助数字化历史神经解剖学插图增强工作流程。该方案定义了源图像的选择、提取、文件标准化、本地超分辨率处理、原始图像与增强图像配对归档、技术质量控制审查，以及对可接受和次优输出结果的记录。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文介绍了一种可重复且经过质量控制的人工智能辅助数字化历史神经解剖学插图增强工作流程。该方案定义了源图像的选择、提取、文件标准化、本地超分辨率处理、原始图像与增强图像配对归档、技术质量控制审查，以及对可接受和次优输出结果的记录。
数字化的历史神经解剖学图谱是解剖学教育、历史学术研究和数字存档的宝贵资源。然而，由于表观分辨率低、褪色、纸张变色、压缩伪影，以及精细解剖线条或标签的可读性降低，这些图谱在教学材料和学术展示中的实际应用常常受到限制。人工智能辅助的超分辨率技术可提升这些数字化复制品的视觉可用性，但不受控的增强可能引入人工纹理、线条连续性改变、标签扭曲，或生成在源图像中并无依据但视觉上看似合理的内容。因此，在对历史科学插图应用人工智能辅助增强时，必须采用标准化且透明的操作流程。
本文介绍了一种逐步优化数字化历史神经解剖学插图的标准化工作流程。该方案包括源图像选择、来源与使用权限记录、图像提取、保守性预处理、采用固定参数进行局部超分辨率增强、原始图像与增强图像配对归档、基于感兴趣区域的检查，以及结构化的技术质量控制文档记录。该工作流程旨在提升图像在教学、展示和初步视觉观察中的可视性，同时确保每一幅增强后的图像与其原始数字化版本之间保持直接且可追溯的解读关联。
该方法应被视为对扫描数字复制品的辅助性增强，而非对原始艺术品的修复、历史资料的认证或丢失解剖信息的恢复。原始版本与增强版本必须共同归档，且在使用前应对增强结果进行审查，以排除可能的人工伪影。本方案提供了一种实用、低成本且可重复的方法，用于将历史神经解剖学图像制备为成对的对照可视化资料，同时保持对解剖学和历史真实性的审慎态度。
历史神经解剖学插图在神经系统视觉记录、教学与解读中发挥了重要作用。在现代神经影像技术发展之前，解剖图谱是传播大脑、脑室、颅神经、血管结构及脑干解剖学观察结果的主要媒介1,2,3。如今，许多此类著作可通过数字化图书、扫描档案馆藏以及在线资源库获取。然而，数字化历史插图在现代教学、演示和数字存档中的直接应用常受限于分辨率低、褪色、纸张变色、压缩伪影、扫描导致的模糊，以及精细线条或标签可读性下降等问题4,5,6,7,8。
人工智能辅助的图像增强与超分辨率方法为改善退化或低分辨率数字化图像的视觉可用性提供了切实可行的机遇。基于深度学习的超分辨率算法能够提高图像的表观分辨率、增强边缘定义，并减少数字图像中的扫描相关性视觉退化9,10,
访问受限。请登录或开始试用以查看此内容。
本方案仅适用于数字化的历史神经解剖学插图，未涉及人类受试者、患者数据、动物实验、生物样本或可识别的个人信息，因此无需机构审查委员会对涉及人类受试者的研究进行审批。所有图像均来自公共领域、已获授权或适当许可的历史资料。
1. 来源使用注意事项
2. 数字化历史神经解剖学插图的选择
访问受限。请登录或开始试用以查看此内容。
文稿中的图示提供了代表性原始图像与增强图像的对比。本研究纳入的40幅历史插图，其出版日期、来源出处、存储库信息及再使用状态均已核实并记录。
图像数据集与来源特征
本方案应用于40幅数字化的历史神经解剖学插图。在纳入前，每幅插图的出版日期、来源及可重用状态均经过 individually 核实，所有选入的插图均来自16至19世纪期间出版的著作。所包含的插图涵盖了多种神经解剖学主题，包括大脑皮层表面解剖、大脑脑回与脑沟、脑室结构、脑干区域、与颅神经相关的解剖结构以及血管特征。这些图像来源于公共领域、已获授权或允许重用的数字化历史资料；所有40幅插图的资料库信息及重用状态均已 individually 记录。
原始数字化复制品显示出历史资料中常见的局限性，包括表观分辨率低、线条模糊、背景变色、扫描相关的模糊、压缩伪影以及微小标签的可读性降低。这些局限性为应用标准化增强工作流程提供了实际的测试案例。原始未增强图像被保留为基线文件，并在整个工作流程中与其对应的增强后输出图像配对使用。
<.......访问受限。请登录或开始试用以查看此内容。
本文介绍了一种可重复的流程，用于借助人工智能增强数字化的历史神经解剖学插图。长期以来，历史解剖图像一直是解剖学记录、教学和科学交流的重要工具，其中许多作品如今可通过数字化图书、扫描档案和在线资源库获取。然而，这些图像在现代教学、演示和数字存档中的应用常受到以下因素的限制：表观分辨率较低、线条褪色、背景变色、扫描引起的模糊、压缩伪影，以及微小标签的可读性下降12,18,19,20。
该方案的主要优势在于其简单性和可重复性。本方案并非旨在引入一种新的超分辨率算法，也并非声称增强后的图像比原始图像更具历史真实性。相反，其贡献在于标准化了一种谨慎的操作流程，以降低无控制、临时性增强所带来的风险。该流程采用公共领域或可再利用的数字资源、保守的裁剪方式，并在易于使用的图像放大应用中采用固定的增强设置。所有包含的图像均应用了相同的16倍超分辨.......
访问受限。请登录或开始试用以查看此内容。
作者声明不存在利益冲突。
作者感谢提供数字化历史解剖学著作访问权限的公共领域数字存储库和档案馆藏。本研究未获得任何资金支持。
....访问受限。请登录或开始试用以查看此内容。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| Adobe Acrobat | Adobe | 版本未记录 | 基于 PDF 的图像提取 |
| 计算机工作站 | 提交文件中未报告 | 配置未报告 | 用于本地人工智能辅助图像增强的硬件 |
| 显示/截图设置 | Windows 屏幕截图工具或等效工具 | 100% 或 200% 显示放大倍数；已记录显示器缩放比例 | 在无法直接导出 PDF 时，采用标准化的基于截图的提取方法 |
| Gallica | Bibliothèque nationale de France | 在线资源库 | 数字化历史文献的来源 |
| 通用照片 Real-ESRGAN 预设 | Upscayl / 基于 Real-ESRGAN 的模型 | 16 倍设置 | 对数字化插图进行超分辨率增强 |
| Google 图书 | 在线资源库 | 数字化历史书籍的来源 | |
| 图形处理器（GPU） | 提交文件中未报告 | 型号及加速状态未报告 | 启用时用于图像放大处理的 GPU 加速 |
| Internet Archive | Internet Archive | 在线资源库 | 公共领域数字化历史作品的来源 |
| 本地存储驱动器 | 用户指定的工作站 | 具备足够的可用存储空间 | 用于存储原始图像、增强后图像及可用于发表的图像文件 |
| PDF 导出设置 | Adobe Acrobat 或等效的 PDF 阅读器/导出软件 | 尽可能保留原始嵌入分辨率 | 从数字化 PDF 资源中提取图像，避免有意降采样 |
| PhotoScape X | MOOII Tech | v4.1.1 | 保守裁剪与图像制备 |
| PNG 图像格式 | — | — | 增强后图像的输出格式 |
| 处理日志电子表格 | Microsoft Excel 或等效电子表格软件 | 版本无特殊要求 | 记录图像来源、提取方法、增强参数、处理时间、输出文件名及质量控制分类 |
| 质量控制检查清单 | 作者自制检查清单 | 不适用 | 结构化技术审查，检查是否存在人工纹理、过度锐化、标签变形、线条加粗及无依据的视觉更改 |
| 系统内存 | 提交文件中未报告 | 内存容量未报告 | 用于大规模图像增强的可用内存 |
| Upscayl | Upscayl | v2.11.5 | 人工智能辅助图像放大 |
| Wellcome Collection | Wellcome Collection | 在线资源库 | 公共领域数字化历史作品的来源 |
| Wikimedia Commons | Wikimedia Foundation | 在线资源库 | 公共领域或可重用图像的来源 |
| Windows 操作系统 | Microsoft | Windows 10 | 用于图像提取与处理的操作系统 |
| Windows 屏幕截图工具 | Microsoft | Windows 10 内置工具 | 在无法导出 PDF 时，基于截图的图像捕获方法 |
访问受限。请登录或开始试用以查看此内容。