Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de méthode

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

79 vues

⸱

DOI :

10.3791/72309

⸱

7 août 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

Dans cet article

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 desinscriptions 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 imagesnumériques 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.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

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.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

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 ...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

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...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs déclarent qu’ils n’ont aucun conflit d’intérêts.

Remerciements

Les auteurs reconnaissent les dépôts numériques du domaine public et les collections d’archives qui donnent accès à des œuvres anatomiques historiques numérisées. Aucun soutien financier n’a été reçu pour cette étude.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Adobe AcrobatAdobeVersion non enregistréeExtraction d'images basée sur PDF
Station de travail informatiqueNon signalé dans les fichiers soumisConfiguration non signaléeMatériel utilisé pour l'amélioration d'image assistée par IA locale
Paramètres d'affichage/capture d'écranOutil de capture d'écran Windows ou équivalentAgrandissement de l'affichage à 100% ou 200%; mise à l'échelle du moniteur enregistréeExtraction basée sur capture d'écran standardisée lorsque l'exportation PDF directe n'était pas possible
GallicaBibliothèque nationale de FranceDépôt en ligneSource d'œuvres historiques numérisées
Préréglage General Photo Real-ESRGANModèle basé sur Upscayl / Real-ESRGANParamètre 16xAmélioration de super-résolution des illustrations numérisées
Google BooksGoogleDépôt en ligneSource de livres historiques numérisés
Unité de traitement graphiqueNon signalé dans les fichiers soumisModèle et statut d'accélération non signalésAccélération GPU pour le redimensionnement d'image lorsqu'elle est activée
Internet ArchiveInternet ArchiveDépôt en ligneSource d'œuvres historiques numérisées du domaine public
Lecteur de stockage localStation de travail spécifiée par l'utilisateurEspace de stockage libre suffisantStockage des fichiers image originaux, améliorés et prêts pour la figure
Paramètres d'exportation PDFAdobe Acrobat ou logiciel équivalent de lecture/exportation de PDFRésolution intégrée originale lorsque disponibleExtraction d'images de sources PDF numérisées sans sous-échantillonnage intentionnel
PhotoScape XMOOII Techv4.1.1Découpage conservateur et préparation de la figure
Format d'image PNG——Format de sortie pour les images améliorées
Tableur de journal de traitementMicrosoft Excel ou logiciel de tableur équivalentLa version n'est pas critiqueDocumentation 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 qualitéListe de contrôle générée par l'auteurNe s'applique pasExamen technique structuré pour texture artificielle, netteté excessive, distorsion d'étiquettes, épaississement des lignes et changements visuels non pris en charge
Mémoire systèmeNon signalé dans les fichiers soumisCapacité de RAM non signaléeMémoire disponible pour l'amélioration d'image à grande échelle
UpscaylUpscaylv2.11.5Redimensionnement d'image assisté par intelligence artificielle
Wellcome CollectionWellcome CollectionDépôt en ligneSource d'œuvres historiques numérisées du domaine public
Wikimedia CommonsWikimedia FoundationDépôt en ligneSource d'images du domaine public ou compatibles avec la réutilisation
Système d'exploitation WindowsMicrosoftWindows 10Système d'exploitation utilisé pour l'extraction et le traitement d'image
Outil de capture d'écran WindowsMicrosoftOutil intégré Windows 10Capture d'image basée sur capture d'écran lorsque l'exportation PDF n'était pas possible

Références

  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.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Étiquettes

NeurosciencesNum ro 234Num ro 234Am lioration d imageNeuroanatomieIllustrations historiquesPr servation num riquesuper r solutionducation anatomique
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.