Un protocole reproductible pour l’amélioration assistée par l’intelligence artificielle des illustrations neuroanatomiques historiques numérisées

Résumé

Cet article sur les méthodes présente un flux de travail reproductible et contrôlé par la qualité pour l’amélioration assistée par l’intelligence artificielle des illustrations neuroanatomiques historiques numérisées. Le protocole définit la sélection de sources, l’extraction, la standardisation des fichiers, le traitement local en super-résolution, l’archivage par paires original-amélioré, la revue technique du contrôle qualité, ainsi que la documentation des résultats acceptables et sous-optimaux.

Résumé

Les illustrations neuroanatomiques historiques numérisées sont des ressources précieuses pour l’enseignement anatomique, la recherche historique et l’archivage numérique. Cependant, leur utilisation pratique dans le matériel pédagogique et la présentation académique est souvent limitée par une faible résolution apparente, des décolorations, des décolorations du papier, des artefacts de compression et une lisibilité réduite des lignes anatomiques fines ou des inscriptions. La super-résolution assistée par l’intelligence artificielle peut améliorer l’utilisabilité visuelle de ces reproductions numérisées, mais une amélioration incontrôlée peut aussi introduire une texture artificielle, une continuité de lignes altérée, des étiquettes déformées ou des détails visuellement plausibles non pris en charge par l’image source. Par conséquent, des procédures standardisées et transparentes sont nécessaires lors de l’application d’une amélioration assistée par l’intelligence artificielle à des illustrations scientifiques historiques.

Cet article décrit un flux de travail étape par étape pour l’amélioration contrôlée d’illustrations neuroanatomiques historiques numérisées. Le protocole comprend la sélection de l’image source, la documentation de la provenance et de l’état de réutilisation, l’extraction d’image, le prétraitement conservateur, l’amélioration locale de la super-résolution avec des réglages fixes, l’archivage par paires original-amélioré, l’inspection basée sur la région d’intérêt et une documentation structurée de contrôle qualité technique. Le flux de travail vise à améliorer l’accessibilité visuelle pour l’enseignement, la présentation et l’inspection visuelle préliminaire tout en maintenant un lien interprétatif direct entre chaque résultat amélioré et sa source numérisée d’origine.

La méthode doit être considérée comme un renforcement auxiliaire des reproductions numériques numérisées, et non comme la restauration d’œuvres originales, l’authentification des sources historiques ou la récupération d’informations anatomiques perdues. Les versions originales et améliorées doivent être archivées ensemble, et les résultats améliorés doivent être examinés pour détecter d’éventuels artefacts avant utilisation. Ce protocole offre une approche pratique, peu coûteuse et reproductible pour préparer des images neuroanatomiques historiques en tant que visualisations complémentaires en paire, tout en préservant la prudence concernant l’intégrité anatomique et historique.

Introduction

Les illustrations neuroanatomiques historiques ont joué un rôle important dans la documentation visuelle, l’enseignement et l’interprétation du système nerveux. Avant le développement de la neuroimagerie moderne, les plaques anatomiques servaient de principal support pour communiquer les observations du cerveau, des ventricules cérébraux, des nerfs crâniens, des structures vasculaires et de l’anatomie du tronc ^{cérébral 1,2,3}. Beaucoup de ces œuvres sont désormais accessibles via des livres numérisés, des collections d’archives numérisées et des dépôts en ligne. Cependant, l’utilisation directe d’illustrations historiques numérisées dans l’enseignement moderne, les présentations et l’archivage numérique est souvent limitée par une faible résolution, des décolorations, des artefacts de compression, un flou lié au scan et une lisibilité réduite des traits fins ou des^inscriptions 4,5,6,7,8.

L’amélioration d’image assistée par l’IA et les méthodes de super-résolution offrent une opportunité pratique d’améliorer l’utilisabilité visuelle des images numérisées dégradées ou de basse résolution. Les algorithmes de super-résolution basés sur l’apprentissage profond peuvent augmenter la résolution apparente, améliorer la définition des contours et réduire la dégradation visuelle liée au balayage dans les images^numériques 9,10,11,12. Pour les illustrations neuroanatomiques historiques, ces méthodes peuvent aider à clarifier de fines lignes anatomiques, des étiquettes et des limites structurelles difficiles à inspecter dans la reproduction numérisée originale. Néanmoins, les images anatomiques historiques nécessitent une prudence. Ces illustrations ne sont pas seulement des supports pédagogiques visuels, mais aussi des documents scientifiques et historiques. L’amélioration peut améliorer la clarté mais peut aussi modifier la texture des lignes, exagérer les bords, modifier l’ombrage ou créer des détails artificiels si elle est appliquée sans flux de travail standardisé.

Pour cette raison, l’amélioration assistée par l’intelligence artificielle des illustrations anatomiques historiques devrait être réalisée comme un processus technique contrôlé plutôt que comme une manipulation d’image sans restriction. Un protocole reproductible doit définir comment les images sources sont sélectionnées, comment la provenance et le statut de réutilisation sont documentés, comment les images sont extraites et standardisées, quels paramètres d’amélioration sont appliqués, comment les fichiers de sortie sont archivés, et comment les images améliorées sont vérifiées pour détecter d’éventuels artefacts. Les versions originales et améliorées doivent rester liées tout au long du flux de travail afin que le résultat amélioré puisse toujours être interprété comme une reproduction numérique traitée plutôt que comme une image restaurée ou historiquement originale.

Un flux de travail standardisé est préférable à l’amélioration assistée par intelligence artificielle ad hoc car il définit la sélection de source, le prétraitement conservateur, les réglages d’amélioration fixes, l’archivage original-amélioré par paires, et le contrôle qualité post-amélioration avant l’utilisation de l’image traitée. Les utilisateurs finaux visés incluent des anatomistes, neurochirurgiens, enseignants médicaux, historiens de l’anatomie, illustrateurs médicaux et utilisateurs d’archives numériques qui nécessitent des copies compagnons lisibles visuellement tout en conservant un accès direct à la source originale.

Cet article de méthode présente un protocole étape par étape pour l’amélioration assistée par l’IA de dessins neuroanatomiques historiques numérisés. La séquence principale de traitement d’image, incluant la préparation de l’image, l’amélioration fixe de la super-résolution à 16× et l’exportation PNG, est résumée dans la Figure 1. Les étapes suivantes du protocole incluent l’archivage par paires original-amélioré, le contrôle qualité post-amélioration, l’inspection visuelle basée sur la région d’intérêt, ainsi que la documentation des résultats réussis ou sous-optimaux. Le protocole n’a pas pour but de revendiquer la restauration d’œuvres originales ou la récupération d’informations anatomiques perdues ; il vise plutôt à améliorer l’accessibilité visuelle des reproductions numérisées tout en préservant la relation interprétative entre l’image améliorée et la source originale.

Protocole

Ce protocole n’était appliqué qu’aux illustrations neuroanatomiques historiques numérisées et n’impliquait pas de participants humains, de données de patients, de sujets animaux, d’échantillons biologiques ou d’informations personnelles identifiables ; par conséquent, l’approbation institutionnelle de la recherche sur les sujets humains n’était pas applicable. Toutes les images ont été obtenues à partir de sources historiques du domaine public, autorisées ou sous licence appropriée.

1. Considérations d’utilisation des sources

1. Vérifiez la provenance de chaque image avant le traitement, y compris l’auteur historique, le titre de la source, l’année de publication approximative et la source numérique.
2. Interprétez les résultats améliorés comme des reproductions numériques traitées plutôt que comme des œuvres originales restaurées ou des preuves que des informations anatomiques perdues ont été récupérées.
3. Archivez les fichiers originaux et enrichis ensemble afin que l’image traitée puisse toujours être comparée directement à l’image source.

2. Sélection d’illustrations neuroanatomiques historiques numérisées

1. Illustrations historiques numérisées sélectionnées publiées du XVIe au XIXe siècle.
2. Incluez des illustrations représentant des structures neuroanatomiques telles que le cerveau, les hémisphères cérébraux, les gyris et les silleux, le système ventriculaire, le tronc cérébral, les nerfs crâniens, la vascularisation cérébrale ou l’anatomie du système nerveux apparenté.
3. N’inclure que les images obtenues à partir de sources de provenance identifiable et de statut de domaine public ou de réutilisation. Confirmez que chaque illustration sélectionnée a été publiée entre le XVIe et le XIXe siècle et que sa provenance ainsi que son statut de réutilisation ont été vérifiés individuellement avant leur inclusion.
4. Excluez les images dupliquées, les images fortement recadrées, les planches incomplètes, les reproductions modernes redessinées, ou les images avec une clarté de source insuffisante, y compris les fichiers sources avec une dimension d’axe long inférieure à environ 1 000 pixels lorsqu’une version de meilleure qualité est disponible, le contenu anatomique manquant ou recadré affectant plus d’environ 20 % de l’illustration, les étiquettes illisibles dans la région sélectionnée, les artefacts de compression sévères, ou une dégradation liée au balayage qui empêche la comparaison avec l’image originale.
5. Identifiez les illustrations en double en comparant l’auteur historique, le titre de la source, l’année de publication, le numéro de planche ou de page lorsque disponible, les métadonnées du dépôt et le contenu visuel. Lorsque des numérisations en double sont disponibles, conservez la version avec une résolution plus élevée, des limites de plaque plus complètes et des étiquettes plus claires.
6. Attribuez à chaque image incluse un identité de fichier unique avant le traitement.
7. Maintenez les versions originales et améliorées de chaque image tout au long du flux de travail.

3. Extraction d’images à partir de sources numérisées

1. Ouvrez le fichier source numérisé avec la version de la meilleure qualité disponible.
2. Récupérez chaque illustration de cible en l’exportant depuis le fichier PDF (format de document portable source) ou en la capturant depuis la source numérique lorsque l’exportation directe n’est pas possible.
3. Utilisez un lecteur PDF ou un logiciel d’exportation pour l’extraction d’images en PDF. Utilisez un utilitaire standard de capture d’écran uniquement lorsque l’exportation directe n’est pas possible.
4. Pour l’extraction basée sur PDF, utilisez la résolution d’image intégrée d’origine lorsqu’elle est disponible et évitez le sous-échantillonnage lors de l’exportation. Pour l’extraction basée sur capture d’écran, affichez la source à un grossissement de 100 % ou 200 % et enregistrez la résolution d’affichage, le grossissement, le réglage de mise à l’échelle de l’écran et les dimensions de la capture d’écran résultante.
5. Sauvegardez l’image extraite au format Joint Photographic Experts Group (JPEG) ou Portable Network Graphics (PNG), selon la disponibilité de la source et la méthode d’extraction.
6. Conservez l’illustration anatomique complète lors de l’extraction dès que possible. Si l’illustration complète ne peut pas être conservée, appliquez les critères d’exclusion de l’étape 2.4 et documentez le recadrage.
7. Conservez les étiquettes et les marques historiquement pertinentes si elles font partie de l’illustration principale. Ne redessinez pas, ne recolorez pas, ne reconstruisez pas ou ne retouchez pas manuellement les structures anatomiques lors de l’extraction.

4. Prétraitement et standardisation des fichiers avant amélioration

1. Examinez chaque image extraite avant l’amélioration.
2. Ne recadrez que les marges extérieures non informatives ou les zones environnantes vierges. N’effectuez pas de correction visuelle manuelle autre que le recadrage. Plus précisément, n’appliquez pas d’affûtage manuel, de débruitage, de recoloration, de redessin, de nettoyage sélectif ou de retouche anatomique avant l’amélioration.
3. Utilisez uniquement un logiciel de retouche d’image pour un recadre-image conservateur et une préparation simple de la mise en page. Ne pratiquez pas de retouche anatomique.
4. Préservez les images de base comme fichiers de référence originaux avant l’amélioration. Ne forcez pas la taille et la résolution de l’image de base à une seule dimension de pixel uniforme avant le traitement, car les dimensions source originales varient selon les plaques historiques.
5. Confirmez que chaque fichier prétraité reste une reproduction fidèle et numérisée de l’image source originale avant de procéder à l’amélioration assistée par l’IA.

5. Amélioration assistée par l’intelligence artificielle

1. Ouvrez l’image d’entrée standardisée dans un logiciel d’agrandissement d’image basé sur l’intelligence artificielle installé localement.
2. Utilisez le mode de traitement image unique, sauf si un traitement par lots est spécifiquement requis.
3. Sélectionnez l’image d’entrée avec la fonction Sélectionner l’image .
4. Sélectionnez un modèle ou un préréglage fixe à super-résolution avant le traitement et utilisez le même modèle pour toutes les images incluses.
5. Réglez l’échelle de l’image à 16x pour reproduire le paramètre fixe utilisé dans ce flux de travail, et notez que les paramètres logiciels par défaut n’ont pas été modifiés manuellement. N’interprétez pas l’échelle sélectionnée comme optimisée ou supérieure à des facteurs d’échelle alternatifs.
6. Utilisez les mêmes réglages d’amélioration pour toutes les images incluses afin de maintenir la cohérence dans tout le flux de travail.
7. Configurez le dossier de sortie sur le même dossier que l’image d’entrée ou sur un dossier de sortie projet prédéfini, et utilisez un dossier de sortie séparé lorsque possible pour éviter l’écrasement accidentel des fichiers originaux.
8. Effectuez cette amélioration sur un ordinateur équipé d’une unité centrale de traitement mobile de 16 cœurs et 24 threads de 13e génération, d’une unité dédiée de traitement graphique pour ordinateur portable avec 8 Go de mémoire graphique, et 32 Go de RAM. Activez l’accélération par unité de traitement graphique (GPU) pendant le traitement d’image pour réduire le temps de traitement à environ 3 minutes par image, selon les dimensions de l’image d’entrée.
   REMARQUE : L’accès à Internet ne sera pas nécessaire après l’installation locale des fichiers logiciels et des modèles.
9. Exécutez le processus d’amélioration en utilisant la commande d’amélioration ou de démarrage du traitement du logiciel.
10. Exportez la sortie améliorée au format PNG.
11. Conservez le nom de fichier de sortie automatisé généré par le logiciel lorsque possible, ou attribuez un nom structuré qui enregistre l’identité de l’image source, l’échelle d’amélioration et le format de sortie.
    REMARQUE : Ne redessinez, retouchez, ne recolorez pas ou ne corrigez pas sélectivement les détails anatomiques après l’amélioration par l’IA.
12. Archivez le fichier PNG amélioré avec l’image de base originale.

6. Revue du contrôle qualité après l’amélioration

1. Ouvrez chaque image améliorée avec son image originale correspondante. Confirmez que le fichier amélioré a été entièrement généré et qu’aucune corruption ni exportation incomplète n’a eu lieu.
2. Comparez l’image améliorée à l’image originale avec un faible et un gros grossissement. Vérifiez si l’amélioration semble améliorer la visibilité des traits, des contours anatomiques, des étiquettes et des détails scannés.
3. Appliquez une liste de contrôle technique structurée pour le contrôle qualité. Cette checklist est une étape de documentation plutôt qu’une étude formelle de validation par un expert évaluateur.
4. Inspecter spécifiquement la sortie pour les problèmes liés à l’amélioration suivants : formation artificielle de textures ; affûtage excessif, incluant des lignes fines épaissies, un grain de papier exagéré ou des bords plus prononcés que dans l’image originale ; déformation des lettres ou des étiquettes ; fausse continuité entre des lignes séparées ; l’épaississement de fines lignes anatomiques ; une texture exagérée du papier ; et des structures qui ne sont pas clairement soutenues par l’image originale.
5. Classez chaque sortie comme techniquement acceptable ou sous-optimale.
   1. Considérez un résultat techniquement acceptable si les contours anatomiques, les étiquettes et les marquages historiques restent visuellement cohérents avec l’image numérisée originale.
   2. Considérons une sortie sous-optimale si l’amélioration produit une texture trompeuse, un texte déformé, une formation artificielle de lignes ou une altération excessive de l’apparence historique. Conservez des résultats sous-optimaux pour la documentation lorsqu’ils illustrent les limites de la méthode.
6. Ne remplacez pas l’image originale par l’image améliorée. Utilisez l’image améliorée uniquement comme version compagnon traitée.

7. Sélection par région d’intérêt pour la comparaison par paires

1. Sélectionnez manuellement une ou plusieurs régions d’intérêt (ROI) représentatives à partir de chaque paire d’images après que les images originales et améliorées complètes ont été archivées. Choisissez des régions qui démontrent l’effet pratique de l’amélioration sur la visualisation neuroanatomique. Privilégiez les régions présentant des détails anatomiques visuellement complexes ou riches en profondeur, tels que les structures ventriculaires, les gyris et les sillons, le travail des lignes vasculaires, les contours du tronc cérébral, les détails liés aux nerfs crâniens ou de petites étiquettes. Évitez de ne sélectionner que les régions visuellement les plus efficaces ; Incluez des régions qui représentent équitablement les forces et les limites de l’amélioration.
2. Pour chaque région sélectionnée, recadrez la même aire anatomique que celles des images originales et améliorées en utilisant des coordonnées proportionnelles identiques. Si l’appariement exact des coordonnées n’est pas possible en raison de dimensions d’image différentes, documentez l’ajustement. Utilisez un ROI d’environ 10 % à 20 % de la largeur et de la hauteur de l’image, ajusté uniquement lorsque nécessaire pour inclure la même structure anatomique ou la même étiquette dans les deux panneaux.
3. Assurez-vous que les panneaux ROI originaux et améliorés montrent le même champ anatomique. N’appliquez pas d’affûtage supplémentaire, de réglage de contraste ou de correction manuelle sur les panneaux ROI après le recadre.
4. Utilisez les panneaux ROI uniquement pour la démonstration visuelle de l’effet d’amélioration, pas comme un matériel indépendant d’évaluation expert.

8. Préparation de figures représentatives

1. Préparez une figure de workflow résumant l’ensemble du protocole.
2. Préparez des figures représentatives en binôme montrant les versions originales et améliorées.
3. Pour chaque figure représentative, utilisez une structure à quatre panneaux lorsque cela est possible. Placez l’illustration numérisée originale dans la case A ; l’illustration améliorée par l’IA dans la case B ; le ROI agrandi à partir de l’image originale dans la case C ; et le ROI amplifié correspondant de l’image améliorée dans le panneau D.
4. Utilisez un espacement des panneaux, un alignement, des étiquettes et un grossissement cohérents entre les panneaux appariés et les panneaux originaux améliorés. Utilisez une police standard sans empattement à une taille cohérente et lisible pour les labels des cases et les annotations, et enregistrez la police et la taille sélectionnées.
5. N’utilisez des flèches ou des pointes de flèche que lorsque nécessaire pour indiquer une ligne, une étiquette ou un artefact spécifique, et n’ajoutez pas de flèches qui impliquent une interprétation anatomique non visible dans l’image originale.
6. Ajoutez des barres d’échelle uniquement lorsque l’image source fournit un étalonnage spatial fiable. Pour les plaques historiques sans échelle spatiale valide, n’ajoutez pas de barres d’échelle.
7. N’appliquez aucun réglage supplémentaire de luminosité ou de contraste lors de la préparation des panneaux appariés d’origine et de panneaux améliorés. Les chiffres d’exportation à 300 dpi, ou 600 dpi lorsque les lignes fines et les labels nécessitent un affichage à plus haute résolution.
8. Incluez des exemples issus de différentes sources historiques pour démontrer que le flux de travail peut être appliqué à travers des styles de dessin variables et des qualités de scan. Incluez au moins un exemple montrant un résultat d’amélioration sous-optimal, comme la formation artificielle de textures ou la distorsion du texte, pour démontrer les limites de la méthode.
9. Exportez les figurines sous forme de fichiers PDF, TIFF ou JPEG de haute qualité séparés sans légendes intégrées. Pour l’exportation PDF, conservez les dimensions de l’image source et évitez le sous-échantillonnage ou la compression avec perte.
10. Fournissez uniquement les légendes des figures dans le fichier manuscrit.
11. Vérifiez tous les panneaux de figurines pour le recadrage, la résolution et la complétude des cases avant la soumission.

9. Documentation et gestion des données

1. Stockez les versions originale et améliorée de chaque image sous forme de fichiers appariés afin que chaque sortie améliorée puisse être retracée jusqu’à son image source correspondante.
2. Enregistrez le dépôt source pour chaque illustration, y compris le nom de l’archive ou du dépôt, l’URL stable ou les informations d’accès lorsque disponibles, le statut de réutilisation et la date d’accès.
3. Enregistrez la méthode de traitement pour chaque image, y compris la méthode d’extraction, l’étape de prétraitement, le logiciel d’amélioration, la version logicielle, le modèle sélectionné, le facteur d’échelle, le format de sortie et le nom final du fichier.
4. Notez si chaque image a été extraite par export PDF ou capture d’écran, si le recadrage a été limité aux marges non informatives, et si l’amélioration a utilisé le réglage fixe de super-résolution 16x.
5. Conserver les noms de fichiers de sortie générés par le logiciel lorsque cela est possible, ou attribuer des noms structurés qui enregistrent l’identité de l’image source, l’échelle d’amélioration et le format de sortie.
6. Documentez si chaque sortie améliorée était techniquement acceptable ou sous-optimale. Les résultats sous-optimaux peuvent inclure la formation artificielle de textures, un affûtage excessif, des étiquettes déformées ou des modifications de lignes visuellement trompeuses.

Résultats

Des comparaisons représentatives d’images originales et enrichies sont fournies dans les figures manuscrites. La date de publication, la provenance des sources, les informations du dépôt et le statut de réutilisation ont été vérifiés et documentés pour chacune des 40 illustrations historiques incluses dans cette étude.

Caractéristiques du jeu de données d’images et des sources
Le protocole a été appliqué à 40 illustrations neuroanatomiques historiques numérisées. La date de publication, la provenance et le statut de réutilisation de chaque illustration ont été vérifiés individuellement avant leur inclusion, et toutes les illustrations sélectionnées provenaient d’œuvres publiées entre le XVIe et le XIXe siècle. Les illustrations incluses représentaient un éventail de sujets neuroanatomiques, notamment l’anatomie de la surface corticale, les gyris et suls cérébraux, les structures ventriculaires, les régions du tronc cérébral, l’anatomie liée aux nerfs crâniens et les caractéristiques vasculaires. Les images ont été obtenues à partir de sources historiques numérisées du domaine public, autorisées ou compatibles avec la réutilisation ; Les informations du dépôt et le statut de réutilisation ont été documentés individuellement pour les 40 illustrations.

Les reproductions numérisées originales présentaient des limites courantes rencontrées dans les matériaux historiques, notamment une faible résolution apparente, des traits décolorés, des décolorations de fond, un flou lié au scan, des artefacts de compression et une lisibilité réduite des petites étiquettes. Ces limitations ont fourni des cas de test pratiques pour appliquer le flux de travail standardisé d’amélioration. Les images originales non améliorées étaient conservées comme fichiers de base et associées à leurs sorties améliorées correspondantes tout au long du flux de travail.

Résultat technique du flux de travail d’amélioration
Les 40 images de base ont toutes été traitées avec le même logiciel d’upscaling assisté par IA installé localement, avec des réglages d’amélioration fixes. Un préréglage super-résolution 16x était appliqué de manière cohérente à toutes les images incluses, et les sorties améliorées étaient exportées au format PNG. Aucun redessin manuel, recoloration, correction sélective ou retouche anatomique n’a été effectué avant ou après l’amélioration. Le traitement était effectué sur un ordinateur équipé d’une unité centrale mobile de 16 cœurs et 24 threads de 13e génération, d’une unité dédiée de traitement graphique pour ordinateur portable avec 8 Go de mémoire graphique, et de 32 Go de RAM, avec l’accélération de l’unité de traitement graphique activée. Le temps de traitement était d’environ 3 minutes par image, selon les dimensions de l’image d’entrée.

Les images améliorées montraient généralement une netteté apparente plus grande, une définition des lignes plus marquée, une séparation plus nette entre le travail de lignes anatomiques et le fond, ainsi qu’une visibilité perçue accrue des petits détails anatomiques ou textuels. Ces effets étaient particulièrement visibles sur des images à encre délavée, faible contraste ou flou lié au scan. L’amélioration a été interprétée comme un traitement technique de reproductions numérisées plutôt que comme une restauration de l’œuvre historique originale.

Une limitation pratique du flux de travail était l’augmentation substantielle de la taille du fichier de sortie. Dans certains cas, des fichiers d’environ 1 Mo passaient à plus de 200 Mo après une amélioration de 16 fois. Par conséquent, la capacité de stockage, la gestion des fichiers et la préparation des figures doivent être prises en compte lors de l’application du flux de travail à de grandes collections d’images.

Résultats représentatifs réussis de l’amélioration
Des exemples appariés représentatifs ont démontré l’effet pratique du protocole sur des illustrations neuroanatomiques historiques issues de différentes sources et périodes (Figure 2, Figure 3, Figure 4 et Figure 5). Dans les exemples réussis, les images améliorées ont montré des contours anatomiques plus clairs, une plus grande continuité du travail de lignes fines et une visibilité perçue accrue des régions complexes, y compris les gyris corticaux, les structures ventriculaires, les lignes vasculaires et les détails liés au tronc cérébral.

Le format de la figure en paire permettait de comparer directement les versions originale et améliorée. À faible grossissement, les améliorations les plus évidentes étaient la clarté, le contraste et la lisibilité globales. À un grossissement plus élevé, les différences de continuité de ligne, de définition des contours et de visibilité en petites marques devenaient plus évidentes. Les régions d’intérêt appariées ont été utiles pour démontrer l’effet local de l’amélioration sur des détails anatomiquement pertinents.

L’image originale restait essentielle à l’interprétation dans tous les cas. Les images améliorées doivent donc être présentées comme des images processées complémentaires plutôt que comme des remplacements de la source historique originale.

Résultats sous-optimaux d’amélioration et résultats de contrôle qualité
Bien que le flux de travail ait produit des résultats techniquement acceptables dans la plupart des exemples représentatifs, plusieurs limitations ont été observées lors de la revue de contrôle qualité. Dans certaines images, le procédé d’amélioration augmentait la texture artificielle, exagérait le grain du papier ou déformait les petites lettres et étiquettes. Dans d’autres cas, les lignes fines apparaissaient excessivement nettes ou visuellement plus épaisses que sur l’image originale.

Ces résultats sous-optimaux étaient plus susceptibles d’apparaître dans des images présentant une dégradation sévère de la base, une faible résolution de source, un étiquetage dense ou une texture proéminente du papier. De telles découvertes soulignent la nécessité d’une comparaison directe avec l’image originale après l’amélioration. Ils soutiennent également une étape de contrôle qualité avant d’utiliser des images améliorées dans les supports éducatifs, les présentations ou les personnalités scientifiques. Cette revue structurée a été utilisée comme documentation technique de contrôle qualité plutôt que comme une étude formelle de validation par expert.

Un exemple sous-optimal est inclus sous la forme de Figure 6 pour démontrer les limites de la méthode. C’est particulièrement important car l’amélioration assistée par l’intelligence artificielle peut améliorer la clarté visuelle tout en créant des changements pouvant être confondus avec des détails historiques ou anatomiques authentiques.

Interprétation recommandée des sorties améliorées
Les résultats de ce protocole doivent être interprétés comme une démonstration de la faisabilité technique et de la reproductibilité des flux de travail. La méthode peut améliorer l’accessibilité visuelle perçue des illustrations neuroanatomiques historiques numérisées, en particulier lorsque l’image numérisée originale est affectée par un flou, un estompage ou une netteté de ligne réduite. Cependant, les résultats améliorés n’établissent pas la restauration de l’œuvre originale, la récupération d’informations perdues ou la précision anatomique.

Pour l’enseignement, la présentation ou l’affichage d’archives, l’image améliorée doit être affichée à côté ou clairement liée à la source numérisée originale. Cette approche jumelée préserve la transparence historique et réduit le risque de surinterprétation des changements liés à l’amélioration. Le protocole est donc le plus approprié comme un flux de travail contrôlé d’amélioration visuelle pour les reproductions numérisées, et non comme un moyen de remplacer le matériel source historique.

Figure 1 : Flux de travail pour l’amélioration assistée par IA d’illustrations neuroanatomiques historiques numérisées. Le schéma résume l’acquisition d’images à partir de dépôts numériques, la préparation des images, l’amélioration assistée par IA à 16× fixe, et l’exportation de l’image améliorée pour une évaluation et une documentation ultérieures. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 2 : Amélioration représentative d’une illustration neuroanatomique historique numérisée de Vésale. L’illustration a été obtenue à partir d’une source historique numérisée de De humani corporis fabrica libri septem par Andreas^{Vesalius 13}. (A) Illustration numérisée originale avant enrichissement. (B) Version améliorée en super-résolution de la même illustration. (C) Région d’intérêt agrandie par rapport à l’image originale. (D) A fait correspondre la région d’intérêt agrandie de l’image améliorée. Les cases rouges indiquent les régions agrandies dans les panneaux C et D. La comparaison par paires montre une meilleure définition perçue des lignes, un contraste et une clarté visuelle accrues tout en permettant une comparaison directe avec l’image numérisée originale. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 3 : Amélioration représentative d’une illustration neuroanatomique historique numérisée de Steno. L’illustration a été obtenue à partir d’une source historique numérisée du Discours de Monsieur Stenon sur l’anatomie du cerveau par Nicolas^{Steno 14}. (A) Illustration numérisée originale avant enrichissement. (B) Version améliorée en super-résolution de la même illustration. (C) Région d’intérêt agrandie par rapport à l’image originale. (D) A fait correspondre la région d’intérêt agrandie de l’image améliorée. Les cases rouges indiquent les régions agrandies dans les panneaux C et D. L’image améliorée montre une meilleure visibilité apparente du travail de lignes fines et une diminution de la dégradation visuelle liée au scan. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 4 : Amélioration représentative d’une illustration neuroanatomique historique numérisée de Rolando. L’illustration a été obtenue à partir d’une source historique numérisée de Della struttura degli emisferi cerebrali de Luigi^{Rolando 15}. (A) Illustration numérisée originale avant enrichissement. (B) Version améliorée en super-résolution de la même illustration. (C) Région d’intérêt agrandie par rapport à l’image originale. (D) A fait correspondre la région d’intérêt agrandie de l’image améliorée. Les cases rouges indiquent les régions agrandies dans les panneaux C et D. La comparaison montre une meilleure visibilité apparente des détails de la surface corticale et une continuité de la ligne anatomique après l’augmentation. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 5 : Amélioration représentative d’une illustration neuroanatomique historique numérisée de Vicq d’Azyr. L’illustration a été obtenue à partir d’une source historique numérisée du Traité d’anatomie et de physiologie de Félix Vicq^{d’Azyr 16}. (A) Illustration numérisée originale avant enrichissement. (B) Version améliorée en super-résolution de la même illustration. (C) Région d’intérêt agrandie par rapport à l’image originale. (D) A fait correspondre la région d’intérêt agrandie de l’image améliorée. Les cases rouges indiquent les régions agrandies dans les panneaux C et D. Les panneaux jumelés montrent un contraste perçu plus marqué et une visibilité des détails sur une plaque anatomique historique. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 6 : Résultat d’amélioration sous-optimal assistée par l’IA dans une illustration neuroanatomique historique numérisée d’Arnold. L’illustration a été obtenue à partir d’une source historique numérisée de Tabulae anatomicae par Friedrich Arnold¹⁷. (A) Illustration numérisée originale avant enrichissement. (B) Version améliorée en super-résolution de la même illustration. (C) Région d’intérêt agrandie par rapport à l’image originale. (D) A fait correspondre la région d’intérêt agrandie de l’image améliorée. Les cases rouges indiquent les régions agrandies dans les panneaux C et D. L’image améliorée met en évidence des limites liées à la méthode, notamment la texture artificielle du papier, la netteté excessive, la distorsion partielle des petites étiquettes et un trait visuellement épaissi. Cet exemple illustre pourquoi les images améliorées doivent rester associées à la source originale et subir un contrôle qualité avant utilisation. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Discussion

Cet article de méthode présente un flux de travail reproductible pour l’amélioration assistée par l’IA des illustrations neuroanatomiques historiques numérisées. Les images anatomiques historiques ont longtemps servi d’outils importants pour la documentation anatomique, l’enseignement et la communication scientifique, et nombre de ces œuvres sont désormais accessibles via des livres numérisés, des archives numérisées et des dépôts en ligne. Cependant, leur utilisation dans l’enseignement moderne, les présentations et l’archivage numérique est souvent limitée par une faible résolution apparente, des lignes délavées, des décolorations de fond, un flou lié au scan, des artefacts de compression et une lisibilité réduite des petites^{notices 12, 18, 19, 20}.

La principale force du protocole réside dans sa simplicité et sa reproductibilité. Le protocole n’a pas pour but d’introduire un nouvel algorithme de super-résolution ni d’affirmer que les images améliorées sont plus authentiques historiquement que les images sources. Au contraire, sa contribution est la standardisation d’un flux de travail prudent qui réduit le risque d’améliorations non contrôlées et ad hoc. Le flux de travail utilise des sources numériques du domaine public ou compatibles avec la réutilisation, un recadrage conservateur et un réglage d’amélioration fixe dans une application d’agrandissement d’image accessible. Le même préréglage 16x en super-résolution a été appliqué à toutes les images incluses, et aucune retouche anatomique, redessin, recoloration ou correction sélective n’a été effectuée manuellement. C’est important car les illustrations neuroanatomiques historiques ne sont pas des images numériques ordinaires ; Ce sont des documents scientifiques, éducatifs, artistiques et historiques. Par conséquent, l’amélioration doit être interprétée comme le traitement d’une reproduction numérisée, et non comme la restauration de l’œuvre originale ou la preuve que des informations anatomiques perdues ont^{été récupérées} 19,21,22^.

L’amélioration d’image assistée par l’IA et les méthodes de super-résolution peuvent améliorer la résolution apparente, la définition des contours, le contraste et l’accessibilité visuelle dans des images dégradées ou de basse résolution. Dans les exemples réussis, le flux de travail actuel a permis une meilleure visibilité perçue du travail de lignes anatomiques fines, des contours corticales et ventriculaires, des détails vasculaires, des structures liées au tronc cérébral et des petites étiquettes. Ces changements peuvent être utiles lors de la préparation d’illustrations neuroanatomiques historiques pour des conférences, des personnalités éducatives, des archives numériques ou des présentations académiques. Cependant, l’image originale doit rester disponible comme source de référence, et les images améliorées doivent être utilisées comme images traitées compagnons plutôt que comme remplacements ^9,23,24.

Le contrôle qualité post-amélioration est une étape essentielle du protocole. L’amélioration assistée par IA peut parfois produire des résultats sous-optimaux, en particulier sur des images présentant une dégradation sévère de la base, un étiquetage dense, une mauvaise résolution de la source ou une texture proéminente du papier. Les problèmes potentiels incluent la formation artificielle de textures, l’accentuation excessive, l’épaississement des lignes fines, la distorsion des petites lettres et des changements visuellement trompeurs dans la continuité des lignes. Ces risques sont cohérents avec des préoccupations plus larges concernant la fiabilité anatomique des illustrations médicales générées ou modifiées par l’IA, dans lesquelles la plausibilité visuelle ne garantit pas nécessairement la précision anatomique. Pour cette raison, chaque sortie améliorée doit être directement comparée à la source numérisée originale avant l’utilisation^{12, 25, 26}.

Ce protocole présente plusieurs limitations. Premièrement, la qualité de la sortie améliorée dépend fortement de celle de l’image source. Des images fortement dégradées, incomplètes ou mal numérisées peuvent ne pas produire de résultats fiables. Deuxièmement, l’amélioration 16x peut considérablement augmenter la taille du fichier de sortie, ce qui peut compliquer le stockage, le transfert et la préparation des figures. L’échelle 16x sélectionnée n’a pas été comparée à d’autres facteurs d’échelle et ne doit pas être interprétée comme optimale. Troisièmement, cet article ne fournit pas de métriques objectives de qualité d’image, de scores d’experts évaluateurs ou de données sur les résultats éducatifs. Au lieu de cela, le protocole actuel fournit une documentation structurée de contrôle qualité technique et encadre explicitement les images enrichies comme des visualisations complémentaires plutôt que comme des remplacements validés des sources historiques originales. L’objectif est de décrire un flux de travail technique standardisé plutôt que de prouver sa supériorité sur d’autres algorithmes d’amélioration ou de mesurer les résultats d’apprentissage.

De futures études pourraient comparer différents modèles d’amélioration, des facteurs d’échelle et des indicateurs objectifs de qualité d’image tels que la netteté, le contraste, la préservation des contours, la lisibilité du texte, la taille du fichier et le temps de traitement. Les études éducatives peuvent également évaluer si les images historiques améliorées améliorent l’engagement des apprenants ou la compréhension anatomique. Dans sa forme actuelle, le protocole propose une approche pratique et reproductible pour améliorer l’accessibilité visuelle des illustrations neuroanatomiques historiques numérisées tout en préservant la transparence des sources et la prudence interprétative. L’image améliorée doit être considérée comme un complément numérique traité de la source originale, et non comme une référence anatomique indépendante.

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Adobe Acrobat	Adobe	Version non enregistrée	Extraction d'images basée sur PDF
Station de travail informatique	Non signalé dans les fichiers soumis	Configuration non signalée	Matériel utilisé pour l'amélioration d'image assistée par IA locale
Paramètres d'affichage/capture d'écran	Outil de capture d'écran Windows ou équivalent	Agrandissement de l'affichage à 100% ou 200%; mise à l'échelle du moniteur enregistrée	Extraction basée sur capture d'écran standardisée lorsque l'exportation PDF directe n'était pas possible
Gallica	Bibliothèque nationale de France	Dépôt en ligne	Source d'œuvres historiques numérisées
Préréglage General Photo Real-ESRGAN	Modèle basé sur Upscayl / Real-ESRGAN	Paramètre 16x	Amélioration de super-résolution des illustrations numérisées
Google Books	Google	Dépôt en ligne	Source de livres historiques numérisés
Unité de traitement graphique	Non signalé dans les fichiers soumis	Modèle et statut d'accélération non signalés	Accélération GPU pour le redimensionnement d'image lorsqu'elle est activée
Internet Archive	Internet Archive	Dépôt en ligne	Source d'œuvres historiques numérisées du domaine public
Lecteur de stockage local	Station de travail spécifiée par l'utilisateur	Espace de stockage libre suffisant	Stockage des fichiers image originaux, améliorés et prêts pour la figure
Paramètres d'exportation PDF	Adobe Acrobat ou logiciel équivalent de lecture/exportation de PDF	Résolution intégrée originale lorsque disponible	Extraction d'images de sources PDF numérisées sans sous-échantillonnage intentionnel
PhotoScape X	MOOII Tech	v4.1.1	Découpage conservateur et préparation de la figure
Format d'image PNG	—	—	Format de sortie pour les images améliorées
Tableur de journal de traitement	Microsoft Excel ou logiciel de tableur équivalent	La version n'est pas critique	Documentation de la source, de la méthode d'extraction, du paramètre d'amélioration, du temps de traitement, du nom de fichier de sortie et de la classification de QC
Liste de contrôle de contrôle qualité	Liste de contrôle générée par l'auteur	Ne s'applique pas	Examen technique structuré pour texture artificielle, netteté excessive, distorsion d'étiquettes, épaississement des lignes et changements visuels non pris en charge
Mémoire système	Non signalé dans les fichiers soumis	Capacité de RAM non signalée	Mémoire disponible pour l'amélioration d'image à grande échelle
Upscayl	Upscayl	v2.11.5	Redimensionnement d'image assisté par intelligence artificielle
Wellcome Collection	Wellcome Collection	Dépôt en ligne	Source d'œuvres historiques numérisées du domaine public
Wikimedia Commons	Wikimedia Foundation	Dépôt en ligne	Source d'images du domaine public ou compatibles avec la réutilisation
Système d'exploitation Windows	Microsoft	Windows 10	Système d'exploitation utilisé pour l'extraction et le traitement d'image
Outil de capture d'écran Windows	Microsoft	Outil intégré Windows 10	Capture d'image basée sur capture d'écran lorsque l'exportation PDF n'était pas possible