Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de método

Un protocolo reproducible para la mejora asistida por inteligencia artificial de ilustraciones neuroanatómicas históricas digitalizadas

79 visualizaciones

⸱

DOI:

10.3791/72309

⸱

7 de agosto de 2026

 ,  ,  ,  ,  , 
1Department of Neurosurgery, Dörtyol State Hospital, 2Department of Neurosurgery, Istanbul University, 3Department of Neurosurgery, Adiyaman Training and Research Hospital, 4Department of Neurosurgery, Altınbas University Medical Park Bahcelievler Hospital, 5Department of Neurosurgery, Yeditepe University School of Medicine, 6Department of Neurosurgery, Istinye University

En este artículo

Resumen

Este artículo de métodos presenta un flujo de trabajo reproducible y controlado por calidad para la mejora asistida por inteligencia artificial de ilustraciones neuroanatómicas históricas digitalizadas. El protocolo define la selección de fuentes, extracción, estandarización de archivos, procesamiento local de superresolución, archivo emparejado original-mejorado, revisión técnica de control de calidad y documentación de resultados tanto aceptables como subóptimos.

Resumen

Las ilustraciones neuroanatómicas históricas digitalizadas son recursos valiosos para la educación anatómica, la investigación histórica y el archivo digital. Sin embargo, su uso práctico en materiales didácticos y presentaciones académicas suele estar limitado por una baja resolución aparente, desvanecimiento, decoloración del papel, artefactos de compresión y menor legibilidad de líneas anatómicas finas o etiquetas. La superresolución asistida por inteligencia artificial puede mejorar la usabilidad visual de estas reproducciones digitalizadas, pero la mejora incontrolada también puede introducir textura artificial, continuidad de líneas alterada, etiquetas distorsionadas o detalles visualmente plausibles no soportados por la imagen fuente. Por ello, se requieren procedimientos estandarizados y transparentes al aplicar la mejora asistida por inteligencia artificial a ilustraciones científicas históricas.

Este artículo describe un flujo de trabajo paso a paso para la mejora controlada de ilustraciones neuroanatómicas históricas digitalizadas. El protocolo incluye selección de imagen fuente, documentación del estado de procedencia y reutilización, extracción de imágenes, preprocesamiento conservador, mejora local de superresolución usando ajustes fijos, archivo mejorado original-emparejado, inspección basada en regiones de interés y documentación estructurada de control técnico de calidad. El flujo de trabajo está diseñado para mejorar la accesibilidad visual para la enseñanza, la presentación y la inspección visual preliminar, manteniendo al mismo tiempo un vínculo interpretativo directo entre cada resultado mejorado y su fuente digitalizada original.

El método debe considerarse como una mejora auxiliar de reproducciones digitales escaneadas, no como restauración de obras originales, autenticación de fuentes históricas o recuperación de información anatómica perdida. Las versiones originales y mejoradas deben archivarse juntas, y los resultados mejorados deben revisarse para posibles artefactos antes de su uso. Este protocolo proporciona un enfoque práctico, de bajo coste y reproducible para preparar imágenes neuroanatómicas históricas como visualizaciones complementarias emparejadas, manteniendo la precaución respecto a la integridad anatómica e histórica.

Introducción

Las ilustraciones neuroanatómicas históricas han desempeñado un papel importante en la documentación visual, la enseñanza y la interpretación del sistema nervioso. Antes del desarrollo de la neuroimagen moderna, las placas anatómicas servían como medio principal para comunicar observaciones del cerebro, ventrículos cerebrales, nervios craneales, estructuras vasculares y anatomía del troncoencefálico 1,2,3. Muchas de estas obras son ahora accesibles a través de libros digitalizados, colecciones archivísticas escaneadas y repositorios en línea. Sin embargo, el uso directo de ilustraciones históricas digitalizadas en la enseñanza moderna, las presentaciones y el archivo digital suele estar limitado por baja resolución, desvanecimiento, decoloración del papel, artefactos de compresión, desenfoque relacionado con el escaneo y menor legibilidad de las líneas finas oetiquetas 4,5,6,7,8.

Los métodos de mejora de imagen asistidos por IA y superresolución ofrecen una oportunidad práctica para mejorar la usabilidad visual de imágenes digitalizadas degradadas o de baja resolución. Los algoritmos de superresolución basados en aprendizaje profundo pueden aumentar la resolución aparente, mejorar la definición de los bordes y reducir la degradación visual relacionada con el escaneo en imágenesdigitales 9,10,11,12. Para ilustraciones neuroanatómicas históricas, estos métodos pueden ayudar a clarificar líneas anatómicas finas, etiquetas y límites estructurales que son difíciles de inspeccionar en la reproducción digitalizada original. No obstante, las imágenes anatómicas históricas requieren precaución. Estas ilustraciones no son solo materiales didácticos visuales, sino también documentos científicos e históricos. La mejora puede mejorar la claridad, pero también puede alterar la textura de las líneas, exagerar los bordes, modificar el sombreado o crear detalles artificiales si se aplica sin un flujo de trabajo estandarizado.

Por esta razón, la mejora asistida por inteligencia artificial de ilustraciones anatómicas históricas debería realizarse como un proceso técnico controlado y no como manipulación de imágenes sin restricciones. Un protocolo reproducible debe definir cómo se seleccionan las imágenes fuente, cómo se documentan la procedencia y el estado de reutilización, cómo se extraen y estandarizan las imágenes, qué ajustes de mejora se aplican, cómo se archivan los archivos de salida y cómo se comprueban las imágenes mejoradas para posibles artefactos. Las versiones originales y mejoradas deben permanecer vinculadas durante todo el flujo de trabajo para que el resultado mejorado siempre pueda interpretarse como una reproducción digital procesada en lugar de una imagen restaurada o históricamente original.

Un flujo de trabajo estandarizado es preferible a la mejora asistida por inteligencia artificial ad hoc porque define la selección de fuentes, el preprocesamiento conservador, los ajustes fijos de mejora, el archivo complementario original-mejorado y el control de calidad posterior a la mejora antes de utilizar la imagen procesada. Los usuarios finales previstos incluyen anatomistas, neurocirujanos, educadores médicos, historiadores de la anatomía, ilustradores médicos y usuarios de archivos digitales que requieren copias complementarias visualmente legibles y mantengan el acceso directo a la fuente original.

Este artículo de métodos presenta un protocolo paso a paso para la mejora asistida por IA de ilustraciones neuroanatómicas históricas digitalizadas. La secuencia central de procesamiento de imágenes, que incluye la preparación de imágenes, la mejora fija de la superresolución del 16× y la exportación en PNG, se resume en la Figura 1. Los pasos posteriores del protocolo incluyen archivo mejorado original-mejorado por parejas, control de calidad post-mejora, inspección visual basada en regiones de interés y documentación de resultados exitosos y subóptimos. El protocolo no pretende reclamar la restauración de obras originales ni la recuperación de información anatómica perdida; más bien, pretende mejorar la accesibilidad visual de las reproducciones digitalizadas preservando la relación interpretativa entre la imagen mejorada y la fuente original.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

Este protocolo se aplicó únicamente a ilustraciones neuroanatómicas históricas digitalizadas y no involucró participantes humanos, datos de pacientes, sujetos animales, muestras biológicas ni información personal identificable; por lo tanto, la aprobación institucional de la investigación en humanos no era aplicable. Todas las imágenes se obtuvieron de fuentes históricas de dominio público, autorizadas o con licencia adecuada.

1. Consideraciones sobre el uso de fuentes

  1. Verifica la procedencia de cada imagen antes de su procesamiento, incluyendo el autor histórico, el título de la fuente, el año aproximado de publicación y la fuente digital.
  2. Interpreta los resultados mejorados como reproducciones digitales procesadas en lugar de como obras originales restauradas o evidencia de que se ha recuperado información anatómica perdida.
  3. Archiva los archivos originales y mejorados juntos para que la imagen procesada siempre pueda compararse directamente con la imagen original.

2. Selección de ilustraciones neuroanatómicas históricas digitalizadas

  1. Ilustraciones históricas digitalizadas seleccionadas publicadas desde el siglo XVI hasta el XIX.
  2. Incluye ilustraciones que representen estructuras neuroanatómicas como el cerebro, hemisferios cerebrales, giros y surcos, sistema ventricular, tronco encefálico, nervios craneales, vasculatura cerebral o anatomía del sistema nervioso relacionado.
  3. Incluye solo imágenes obtenidas de fuentes con procedencia identificable y estatus compatible con dominio público o reutilización. Confirmar que cada ilustración seleccionada fue publicada entre los siglos XVI y XIX y que su procedencia y reutilización fueron verificadas individualmente antes de su inclusión.
  4. Excluir imágenes duplicadas, imágenes severamente recortadas, planchas incompletas, reproducciones modernas redibujadas o imágenes con insuficiente claridad de fuente, incluyendo archivos fuente con una dimensión de eje largo inferior a aproximadamente 1.000 píxeles cuando haya una versión de mayor calidad disponible, contenido anatómico ausente o recortado que afecte a más del 20% de la ilustración, etiquetas ilegibles en la región seleccionada, artefactos de compresión severos, o degradación relacionada con el escaneo que impide la comparación con la imagen original.
  5. Identifica las ilustraciones duplicadas comparando el autor histórico, el título de la fuente, el año de publicación, el número de placa o página cuando esté disponible, los metadatos del repositorio y el contenido visual. Cuando haya escaneos duplicados disponibles, conserva la versión con mayor resolución, límites de placa más completos y etiquetas más claras.
  6. Asigna a cada imagen incluida una identidad de archivo única antes de procesarla.
  7. Mantén versiones originales y mejoradas emparejadas de cada imagen durante todo el flujo de trabajo.

3. Extracción de imágenes a partir de fuentes digitalizadas

  1. Abre el archivo fuente digitalizado usando la versión de mayor calidad disponible.
  2. Recupera cada ilustración de objetivo exportándola desde el archivo de documento portátil (PDF) de origen o capturándola desde la fuente digital cuando la exportación directa no sea factible.
  3. Utiliza un lector de PDF o un software de exportación para la extracción de imágenes en PDF. Utiliza una utilidad estándar de captura de pantalla solo cuando la exportación directa no sea factible.
  4. Para la extracción basada en PDF, utiliza la resolución original de imagen incrustada cuando esté disponible y evita el muestreo reducido durante la exportación. Para la extracción basada en capturas de pantalla, muestra la fuente con una ampliación del 100% o 200% y registra la resolución de la pantalla, la ampliación de la pantalla, la configuración de escalado del monitor y las dimensiones resultantes de la captura de pantalla.
  5. Guarda la imagen extraída en formato Joint Photographic Experts Group (JPEG) o Portable Network Graphics (PNG), dependiendo de la disponibilidad de la fuente y el método de extracción.
  6. Conserva la ilustración anatómica completa durante la extracción siempre que sea posible. Si no se puede conservar la ilustración completa, aplicar los criterios de exclusión del paso 2.4 y documentar el cultivo.
  7. Conserva las etiquetas y marcas históricamente relevantes si forman parte de la ilustración principal. No redibuje, recolorees, reconstruyas ni retoques manualmente estructuras anatómicas durante la extracción.

4. Preprocesamiento y estandarización de archivos antes de la mejora

  1. Revisa cada imagen extraída antes de mejorarla.
  2. Recorta solo márgenes exteriores no informativos o zonas en blanco alrededor. No realices corrección visual manual más allá del recorte. Específicamente, no aplique afilado manual, eliminación de ruido, recoloración, redibujado, limpieza selectiva o retoque anatómico antes de la realza.
  3. Utiliza solo software de edición de imágenes para recortar imágenes de forma conservadora y preparar el diseño de forma sencilla. No realices retoques anatómicos.
  4. Conserva las imágenes de línea base como los archivos de referencia originales antes de la mejora. No fuerces el tamaño y la resolución de la imagen base en una única dimensión uniforme de píxel antes del procesamiento porque las dimensiones originales de origen varían entre las placas históricas.
  5. Confirma que cada archivo preprocesado sigue siendo una reproducción fiel y digitalizada de la imagen original antes de pasar a la mejora asistida por IA.

5. Mejora asistida por inteligencia artificial

  1. Abre la imagen de entrada estandarizada en un software de escalado de imágenes basado en inteligencia artificial instalado localmente.
  2. Utiliza el modo de procesamiento de imagen única a menos que sea específicamente necesario el procesamiento por lotes.
  3. Selecciona la imagen de entrada usando la función Seleccionar imagen .
  4. Selecciona un modelo o preset de superresolución fija antes de procesarlo y utiliza el mismo modelo para todas las imágenes incluidas.
  5. Ajusta la escala de imagen a 16x para reproducir la configuración fija utilizada en este flujo de trabajo, y registra que los parámetros predeterminados del software no se modificaron manualmente. No interpretes la escala seleccionada como optimizada o superior a factores de escala alternativos.
  6. Utiliza los mismos ajustes de mejora para todas las imágenes incluidas para mantener la consistencia en todo el flujo de trabajo.
  7. Configura la carpeta de salida en el mismo directorio que la imagen de entrada o en una carpeta de salida de proyecto predefinida, y utiliza un directorio de salida separado cuando sea posible para evitar sobrescribir accidentalmente los archivos originales.
  8. Realiza la mejora en un ordenador equipado con una unidad central móvil de procesamiento móvil de 16 núcleos y 24 hilos, una unidad dedicada de procesamiento gráfico para portátil con 8 GB de memoria gráfica y 32 GB de RAM. Activa la aceleración por unidad de procesamiento gráfico (GPU) durante el procesamiento de imágenes para reducir el tiempo de procesamiento a aproximadamente 3 minutos por imagen, dependiendo de las dimensiones de la imagen de entrada.
    NOTA: No será necesario acceder a Internet una vez que el software y los archivos de modelo hayan sido instalados localmente.
  9. Ejecuta el proceso de mejora utilizando el comando de mejora o de inicio de procesamiento del software.
  10. Exporta la salida mejorada en formato PNG.
  11. Conservar el nombre de archivo de salida automatizado generado por el software cuando sea posible, o asignar un nombre estructurado que registre la identidad de la imagen fuente, la escala de mejora y el formato de salida.
    NOTA: No redibujes, retoques, recolorees ni corrijas selectivamente detalles anatómicos manualmente tras la mejora de la IA.
  12. Archiva el archivo PNG mejorado junto con la imagen base original.

6. Revisión de control de calidad posterior a la mejora

  1. Abre cada imagen mejorada junto con su imagen original correspondiente. Confirma que el archivo mejorado se generó completamente y que no se ha producido corrupción ni exportación incompleta.
  2. Compara la imagen mejorada con la original a baja y alta ampliación. Comprueba si la mejora parece mejorar la visibilidad de los trazos, contornos anatómicos, etiquetas y detalles escaneados.
  3. Aplica una lista de control técnica estructurada de control de calidad. Esta lista de verificación es un paso documental más que un estudio formal de validación por experto evaluador.
  4. Inspeccionar específicamente la salida para detectar los siguientes problemas relacionados con la mejora: formación artificial de texturas; enfoque excesivo, incluyendo líneas finas engrosadas, grano exagerado del papel o bordes que parecen más pronunciados que en la imagen original; distorsión de letras o etiquetas; falsa continuidad entre líneas separadas; engrosamiento de finas líneas anatómicas; textura exagerada del papel; y estructuras que no están claramente respaldadas por la imagen original.
  5. Clasifica cada salida como técnicamente aceptable o subóptima.
    1. Considera un resultado técnicamente aceptable si los contornos anatómicos, etiquetas y marcas históricas permanecen visualmente consistentes con la imagen digitalizada original.
    2. Considera una salida subóptima si la mejora produce texturas engañosas, texto distorsionado, formación artificial de líneas o alteraciones excesivas de la apariencia histórica. Conservar resultados subóptimos para la documentación cuando ilustren las limitaciones del método.
  6. No sustituyas la imagen original por la imagen mejorada. Usa la imagen mejorada solo como versión complementaria procesada.

7. Selección por región de interés para comparación por parejas

  1. Selecciona manualmente una o más regiones representativas de interés (ROI) de cada par de imágenes después de que se hayan archivado las imágenes completas originales y mejoradas. Elige regiones que demuestren el efecto práctico de la mejora en la visualización neuroanatómica. Prefiere regiones que contengan detalles anatómicos visualmente complejos o con profundidad, como estructuras ventriculares, giros y surcos, trabajo de líneas vasculares, contornos del tronco encefálico, detalles relacionados con los nervios craneales o pequeñas etiquetas. Evita seleccionar solo las regiones visualmente mejores; Incluye regiones que representen de forma justa las fortalezas y limitaciones de la mejora.
  2. Para cada región seleccionada, recorta la misma área anatómica de las imágenes originales y mejoradas usando coordenadas proporcionales idénticas. Si no es posible hacer coincidencias exactas de coordenadas debido a las diferentes dimensiones de la imagen, documenta el ajuste. Utiliza un tamaño de ROI de aproximadamente el 10%–20% del ancho y la altura de la imagen, ajustado solo cuando sea necesario para incluir la misma estructura anatómica o etiqueta en ambos paneles.
  3. Asegúrate de que los paneles originales y mejorados de ROI muestren el mismo campo anatómico. No aplique más nitidez, ajuste de contraste ni corrección manual a los paneles ROI después de recortar.
  4. Utiliza los paneles de retorno de inversión solo para demostrar visualmente el efecto de mejora, no como material independiente de calificación experta.

8. Preparación de figuras representativas

  1. Prepara una figura de flujo de trabajo que resuma el protocolo completo.
  2. Prepara figuras representativas de imagen emparejada que muestren versiones originales y mejoradas.
  3. Para cada figura representativa, utiliza una estructura de cuatro paneles siempre que sea posible. Colocar la ilustración digitalizada original en la viñeta A; la ilustración mejorada por IA en el panel B; el ROI ampliado de la imagen original en el panel C; y el ROI ampliado coincidente de la imagen mejorada en el panel D.
  4. Utiliza un espaciado de paneles, alineación, etiquetas y ampliación consistentes entre paneles emparejados y originales mejorados. Utiliza una fuente sans-serifa estándar con un tamaño consistente y legible para etiquetas de viñetas y anotaciones, y registra la fuente y el tamaño seleccionados.
  5. Utiliza flechas o puntas de flecha solo cuando sea necesario para indicar una línea, etiqueta o artefacto específico, y no añadas flechas que impliquen una interpretación anatómica no visible en la imagen original.
  6. Añadir barras de escala solo cuando la imagen fuente proporcione una calibración espacial fiable. Para placas históricas sin una escala espacial válida, no añadas barras de escala.
  7. No apliques ajustes adicionales de brillo o contraste al preparar los paneles originales y mejorados emparejados. Las cifras de exportación a 300 dpi, o 600 dpi cuando el trabajo de líneas finas y las etiquetas requieren una pantalla de mayor resolución.
  8. Incluye ejemplos de diferentes fuentes históricas para demostrar que el flujo de trabajo puede aplicarse a diferentes estilos de dibujo y cualidades de escaneo. Incluye al menos un ejemplo que muestre un resultado de mejora subóptimo, como la formación artificial de texturas o la distorsión del texto, para demostrar las limitaciones del método.
  9. Exportar figuras como archivos PDF, TIFF o JPEG de alta calidad separados sin leyendas incrustadas. Para la exportación en PDF, conserva las dimensiones de la imagen fuente y evita el muestreo inferior o la compresión con pérdidas.
  10. Proporciona las leyendas de las figuras solo en el archivo del manuscrito.
  11. Revisa todos los paneles de figuras para recortes, resolución y completitud antes de enviarlo.

9. Documentación y gestión de datos

  1. Almacena las versiones original y mejorada de cada imagen como archivos emparejados para que cada salida mejorada pueda rastrearse hasta su imagen fuente correspondiente.
  2. Registrar el repositorio fuente de cada ilustración, incluyendo el nombre del archivo o repositorio, la URL estable o la información de acceso cuando esté disponible, el estado de reutilización y la fecha de acceso.
  3. Registra el método de procesamiento de cada imagen, incluyendo el método de extracción, el paso de preprocesamiento, el software de mejora, la versión del software, el modelo seleccionado, el factor de escala, el formato de salida y el nombre final del archivo.
  4. Anota si cada imagen fue extraída mediante exportación PDF o captura de captura, si el recorte se limitó a márgenes no informativos y si la mejora utilizó el ajuste fijo de superresolución 16x.
  5. Conservar los nombres de los archivos de salida generados por software siempre que sea posible, o asignar nombres estructurados que registren la identidad de la imagen de origen, la escala de mejora y el formato de salida.
  6. Documenta si cada salida mejorada era técnicamente aceptable o subóptima. Los hallazgos subóptimos pueden incluir la formación artificial de texturas, un enfoque excesivo, etiquetas distorsionadas o cambios visualmente engañosos en las líneas.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Las comparaciones representativas de imágenes originales y mejoradas se proporcionan en las figuras manuscritas. La fecha de publicación, la procedencia de la fuente, la información del repositorio y el estado de reutilización fueron verificados y documentados para cada una de las 40 ilustraciones históricas incluidas en este estudio.

Conjunto de datos de imágenes y características de la fuente
El protocolo se aplicó a 40 ilustraciones neur...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

Este artículo de métodos presenta un flujo de trabajo reproducible para la mejora asistida por IA de ilustraciones neuroanatómicas históricas digitalizadas. Las imágenes anatómicas históricas han servido durante mucho tiempo como herramientas importantes para la documentación anatómica, la enseñanza y la comunicación científica, y muchas de estas obras están ahora accesibles a través de libros digitalizados, archivos escaneados y repositorios en línea. Sin embargo, su uso en la enseñanza...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores declaran que no tienen ningún conflicto de interés.

Agradecimientos

Los autores reconocen los depósitos digitales de dominio público y las colecciones archivísticas que ofrecen acceso a obras anatómicas históricas digitalizadas. No se recibió ningún apoyo financiero para este estudio.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Adobe AcrobatAdobeVersión no registradaExtracción de imágenes basada en PDF
Estación de trabajo de computadoraNo se informa en los archivos enviadosConfiguración no informadaHardware utilizado para mejora de imágenes asistida por IA local
Configuración de pantalla/captura de pantallaHerramienta de captura de pantalla de Windows o equivalenteMagnificación de pantalla del 100% o 200%; escalado del monitor registradoExtracción estandarizada basada en captura de pantalla cuando no fue factible la exportación directa de PDF
GallicaBibliothèque nationale de FranceRepositorio en líneaFuente de obras históricas digitalizadas
Preajuste General Photo Real-ESRGANModelo basado en Upscayl / Real-ESRGANConfiguración 16xMejora de superresolución de ilustraciones digitalizadas
Google BooksGoogleRepositorio en líneaFuente de libros históricos digitalizados
Unidad de procesamiento gráficoNo se informa en los archivos enviadosModelo y estado de aceleración no informadosAceleración de GPU para el escalado de imágenes cuando está habilitado
Internet ArchiveInternet ArchiveRepositorio en líneaFuente de obras históricas digitalizadas de dominio público
Unidad de almacenamiento localEstación de trabajo especificada por el usuarioEspacio de almacenamiento libre suficienteAlmacenamiento de archivos de imágenes originales, mejorados y listos para figuras
Configuración de exportación de PDFAdobe Acrobat o software de lectura/exportación de PDF equivalenteResolución incrustada original cuando esté disponibleExtracción de imágenes de fuentes PDF digitalizadas sin submuestreo intencional
PhotoScape XMOOII Techv4.1.1Recorte conservador y preparación de figuras
Formato de imagen PNG——Formato de salida para imágenes mejoradas
Hoja de cálculo de registro de procesamientoMicrosoft Excel o software de hoja de cálculo equivalenteLa versión no es críticaDocumentación de la fuente, método de extracción, configuración de mejora, tiempo de procesamiento, nombre de archivo de salida y clasificación de control de calidad
Lista de verificación de control de calidadLista de verificación generada por el autorNo aplicableRevisión técnica estructurada para textura artificial, nitidez excesiva, distorsión de etiquetas, engrosamiento de líneas y cambios visuales no admitidos
Memoria del sistemaNo se informa en los archivos enviadosCapacidad de RAM no informadaMemoria disponible para mejora de imágenes a gran escala
UpscaylUpscaylv2.11.5Mejora de imágenes asistida por inteligencia artificial
Wellcome CollectionWellcome CollectionRepositorio en líneaFuente de obras históricas digitalizadas de dominio público
Wikimedia CommonsWikimedia FoundationRepositorio en líneaFuente de imágenes de dominio público o compatibles con la reutilización
Sistema operativo WindowsMicrosoftWindows 10Sistema operativo utilizado para la extracción y procesamiento de imágenes
Herramienta de captura de pantalla de WindowsMicrosoftHerramienta incorporada de Windows 10Captura de imágenes basada en captura de pantalla cuando no fue factible la exportación de PDF

Referencias

  1. Arantius JC. De humano foetu liber tertio editus, ac recognitus. Apud Bartholomaeum Carampellum; Venice; 1595.
  2. Vesalius A. De humani corporis fabrica libri septem. Ex Officina Joannis Oporini; Basel; 1543.
  3. Burdach KF. Vom Baue und Leben des Gehirns. Dyk’sche Buchhandlung; Leipzig; 1819.
  4. McMenamin PG. Art and anatomy in the Renaissance: are the lessons still relevant today? ANZ J Surg. 2022;92(1-2):34-45.
  5. Narang P et al. The evolution of 3D anatomical models: a brief historical overview. World Neurosurg. 2021;155:135-43.
  6. Jocks I, Livingstone D, Rea PM. An investigation to examine the most appropriate methodology to capture historical and modern preserved anatomical specimens for use in the digital age to improve access: a pilot study [conference paper]. Presented at: 9th International Technology, Education and Development Conference; Madrid, Spain; 2015. p. 6377-86.
  7. Mitchell PD et al. The study of anatomy in England from 1700 to the early 20th century. J Anat. 2011;219(2):91-9.
  8. Swarup J, Sreedevi I. DWT based historical image enhancement technique using adaptive gamma correction. Journal of Algebraic Statistics. 2022;13(1):654-64.
  9. Cullinane DP, Franklin C, Barry DS. Reviving the anatomic past: breathing new life into historic anatomical teaching tools. J Anat. 2023;242(4):701-4.
  10. Nwuko OC, Chibueze KI, Nwobodo-Nzeribe HN. Enhancement of digital medical image analysis performance using deep learning technique [conference paper]. Presented at: 1st CEE 2024 International Conference/Alumni Homecoming; Enugu, Nigeria; 2024. p. 49-54. doi:10.5281/zenodo.13384207.
  11. Ozturk S et al. Feasibility of artificial intelligence-based image enhancement program for anatomical dissection photographs. Clin Anat. 2026;39(3):411-8.
  12. Zhou SK et al. A review of deep learning in medical imaging: imaging traits, technology trends, case studies with progress highlights, and future promises. Proc IEEE Inst Electr Electron Eng. 2021;109(5):820-38.
  13. Vesalius A. Andreae Vesalii Bruxellensis De humani corporis fabrica libri septem. Franciscus Senensis and Joannes Criegher Germanus; Venice; 1568.
  14. Steno N. Discours de monsieur Stenon, sur l’anatomie du cerveau à messieurs de l’assemblée, qui se fait chez Monsieur Theuenot. Robert de Ninville; Paris; 1669.
  15. Rolando L. Della struttura degli emisferi cerebrali. Dalla Stamperia Reale; Turin; 1830.
  16. Vicq-d’Azyr F. Traité d’anatomie et de physiologie, avec des planches coloriées représentant au naturel les divers organes de l’homme et des animaux. François-Ambroise Didot l’aîné; Paris; 1786.
  17. Arnold F. Tabulae anatomicae: quas ad naturam accurate descriptas in lucem edidit. Orell, Fuesslin et Sociorum; Zurich; 1838-1842.
  18. Calkins CM, Franciosi JP, Kolesari GL. Human anatomical science and illustration: the origin of two inseparable disciplines. Clin Anat. 1999;12(2):120-9.
  19. Rubalcava NS, Gadepalli SK. From ancient texts to digital imagery: a brief history on the evolution of anatomic illustrations. Am Surg. 2021;87(8):1259-66.
  20. Qiu D, Cheng Y, Wang X. Medical image super-resolution reconstruction algorithms based on deep learning: a survey. Comput Methods Programs Biomed. 2023;238:107590.
  21. Habbal O. The science of anatomy: a historical timeline. Sultan Qaboos Univ Med J. 2017;17(1):e18-22.
  22. Graziani GC et al. Technologies for studying and teaching human anatomy: implications in academic education. Med Sci Educ. 2024;34(5):1203-14.
  23. Singal A. Transforming anatomy education: then and now. Anat Sci Int. 2022;97(2):230-1.
  24. Wickramasinghe N, Thompson BR, Xiao J. The opportunities and challenges of digital anatomy for medical sciences: narrative review. JMIR Med Educ. 2022;8(2):e34687.
  25. Eldesoqui M et al. Assessing the anatomical accuracy of AI-generated medical illustrations: a comparative study of text-to-image generator tools in anatomy education. Clin Anat. 2025;38(6):712-7.
  26. Haider SA et al. A validity analysis of text-to-image generative artificial intelligence models for craniofacial anatomy illustration. J Clin Med. 2025;14(7):2136.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Etiquetas

NeurocienciaN mero 234N mero 234Mejora de im genesNeuroanatom aIlustraciones hist ricasPreservaci n digitalsuperresoluci neducaci n anat mica
Contáctenos
Recomendar a la biblioteca

Privacidad

Términos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.