Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Protokół możliwy do powtórzenia dotyczący sztucznej inteligencji wspomagającej ulepszanie skanowanych historycznych ilustracji neuroanatomicznych

79 wyświetleń

⸱

DOI:

10.3791/72309

⸱

7 sierpnia 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

W tym artykule

Podsumowanie

Ten artykuł dotyczący metod przedstawia powtarzalny, poddawany kontroli jakości proces ulepszania skanowanych, historycznych ilustracji neuroanatomicznych przy użyciu sztucznej inteligencji. Protokół definiuje selekcję źródeł, ekstrakcję, standaryzację plików, lokalne przetwarzanie z nadrozdzielczością, archiwizowanie oryginalne-ulepszonych plików, przegląd kontroli jakości technicznej oraz dokumentację zarówno akceptowalnych, jak i nieoptymalnych wyników.

Streszczenie

Zdigitalizowane historyczne ilustracje neuroanatomiczne są cennymi zasobami dla edukacji anatomicznej, badań historycznych i archiwizacji cyfrowej. Jednak ich praktyczne zastosowanie w materiale dydaktycznym i prezentacji naukowej jest często ograniczone przez niską widoczną rozdzielczość, blaknięcie, przebarwienie papieru, artefakty kompresji i zmniejszoną czytelność drobnych anatomicznych linii lub etykiet. Sztuczna inteligencja wspierana przez super-rozdzielczość może poprawić wizualną przydatność tych zdigitalizowanych reprodukcji, ale niekontrolowana poprawa może również wprowadzić sztuczną teksturę, zmienioną ciągłość linii, zniekształcone etykiety lub wizualnie wiarygodne szczegóły, które nie są wspierane przez obraz źródłowy. Dlatego wymagane są standaryzowane i przejrzyste procedury przy stosowaniu wzmocnienia wspomaganego sztuczną inteligencją do historycznych ilustracji naukowych.

W tym artykule opisano krokową procedurę kontrolowanego wzmocnienia zdigitalizowanych historycznych ilustracji neuroanatomicznych. Protokół obejmuje wybór obrazu źródłowego, dokumentację proweniencji i statusu ponownego wykorzystania, ekstrakcję obrazu, konserwatywne przetwarzanie wstępne, lokalne wzmocnienie super-rozdzielczości przy użyciu ustawień stałych, archiwizowanie oryginalnego i wzmocnionego zestawu, inspekcję opartą na regionie zainteresowania oraz udokumentowane, strukturalne zapisy dotyczące kontroli jakości technicznej. Procedura ma na celu poprawę dostępności wizualnej dla nauczania, prezentacji i wstępnej inspekcji wizualnej, zachowując bezpośrednie powiązanie interpretacyjne między każdym wzmocnionym wyjściem a jego oryginalnym zdigitalizowanym źródłem.

Metodę należy uważać za uzupełniające wzmocnienie zeskanowanych kopii cyfrowych, a nie przywracanie oryginalnych prac sztuki, uwierzytelnianie źródeł historycznych lub odzyskiwanie utraconej informacji anatomicznej. Oryginalne i wzmocnione wersje muszą być archiwizowane razem, a wzmocnione wyniki należy przeglądać pod kątem możliwych artefaktów przed użyciem. Ten protokół zapewnia praktyczne, nisko kosztowane i możliwe do powtórzenia podejście do przygotowywania historycznych obrazów neuroanatomicznych jako sparowanych wizualizowanych obrazów towarzyszących, zachowując ostrożność w kwestii integralności anatomicznej i historycznej.

Wprowadzenie

Historyczne ilustracje neuroanatomiczne odgrywały ważną rolę w wizualnym dokumentowaniu, nauczaniu i interpretacji układu nerwowego. Przed rozwojem nowoczesnych metod neuroobrazowania, płyty anatomiczne służyły jako podstawowy medium do przekazywania obserwacji mózgu, komór mózgu, nerwów czaszkowych, struktur naczyniowych i anatomii pnia mózgu1,2,3. Wiele z tych prac jest teraz dostępnych poprzez zdigitalizowane książki, zeskanizowane zbiory archiwalne i repozytoria internetowe. Jednakże, bezpośrednie wykorzystanie zeskanizowanych historycznych ilustracji we współczesnym nauczaniu, prezentacjach i cyfrowym archiwizacja jest często ograniczone przez niską rozdzielczość, blaknięcie, przebarwienie papieru, artefakty kompresji, rozmazanie związane ze skanowaniem i zmniejszoną czytelność drobnych linii lub etykiet4,5,6,7,8.

Metody ulepszania i nadrozdzielczania obrazów wspomaganego przez sztuczną inteligencję oferują praktyczną możliwość poprawy wizualnej przydatności zdegradowanych lub niskorozdzielczych zeskanizowanych obrazów. Algorytmy nadrozdzielczania oparte na głębokim uczeniu się mogą zwiększyć pozorna rozdzielczość, poprawić definicję krawędzi i zmniejszyć wizualne zdegradowanie związane ze skanowaniem w cyfrowych obrazach9,10,11,12. W przypadku historycznych ilustracji neuroanatomicznych, takie metody mogą pomóc wyjaśnić drobne linie anatomiczne, etykiety i granice strukturalne, które są trudne do zbadania na oryginalnej zdigitalizowanej reprodukcji. Niemniej jednak, historyczne obrazy anatomiczne wymagają ostrożności. Te ilustracje są nie tylko materiałami dydaktycznymi, ale także dokumentami naukowymi i historycznymi. Ulepszenie może poprawić czytelność, ale może również zmienić teksturę linii, nadmiernie zaostrzyć krawędzie, zmodyfikować cieniowanie lub stworzyć sztuczne szczegóły, jeśli jest zastosowane bez znormalizowanego przepływu pracy.

Z tego powodu ulepszenie historycznych ilustracji anatomicznych wspomagane sztuczną inteligencją powinno być przeprowadzane jako kontrolowany proces techniczny, a nie jako nieograniczona manipulacja obrazem. Do uzyskania wyników można zastosować wykonalny protokół, który definiuje sposób wybierania obrazów źródłowych, dokumentowanie proweniencji i statusu ponownego użycia, sposób wyodrębniania i standaryzacji obrazów, zastosowane ustawienia ulepszania, sposób archiwizacji plików wyjściowych oraz sprawdzanie ulepszonych obrazów pod kątem możliwych artefaktów. Oryginalne i ulepszone wersje powinny pozostać powiązane przez cały przepływ pracy, aby ulepszony wynik zawsze mógł być interpretowany jako przetworzona cyfrowa reprodukcja, a nie jako przywrócony lub historycznie oryginalny obraz.

Standaryzowany przepływ pracy jest preferowany w stosunku do przypadkowego ulepszania wspomaganego sztuczną inteligencją, ponieważ definiuje selekcję źródeł, konserwatywne przetwarzanie wstępne, ustalone ustawienia ulepszania, sparowaną archiwizację oryginalną i ulepszoną oraz kontrolę jakości po ulepszeniu, zanim przetworzony obraz zostanie użyty. Przewidywanymi użytkownikami końcowymi są anatomowie, neurochirurdzy, nauczyciele medycyny, historycy anatomii, ilustratorzy medyczni i użytkownicy archiwum cyfrowego, którzy wymagają wizualnie czytelnych kopii towarzyszących, zachowując jednocześnie bezpośredni dostęp do oryginalnego źródła.

Ten artykuł metodyczny przedstawia krokowy protokół dotyczący ulepszania wspomaganego przez sztuczną inteligencję zdigitalizowanych historycznych ilustracji neuroanatomicznych. Podstawowa sekwencja przetwarzania obrazów, w tym przygotowanie obrazów, ustalona nadrozdzielczająca poprawa 16× i eksport PNG, jest podsumowania w Rysunku 1. Następne kroki protokołu obejmują sparowaną archiwizację oryginalną i ulepszoną, kontrolę jakości po ulepszeniu, kontrolę wizualną na podstawie regionów interesujących oraz dokumentację udanych i nieoptymalnych wyników. Protokół nie ma na celu twierdzić o przywróceniu oryginalnego dzieła sztuki lub odzyskaniu utraconej informacji anatomicznej; zamiast tego ma na celu poprawę wizualnej dostępności zdigitalizowanych reprodukcji, zachowując interpretacyjną relację między ulepszonym obrazem a oryginalnym źródłem.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Ten protokół był stosowany tylko do zdigitalizowanych historycznych ilustracji neuroanatomicznych i nie obejmował ludzkich uczestników, danych pacjentów, zwierząt doświadczalnych, próbek biologicznych ani informacji osobistych umożliwiających identyfikację; dlatego zgoda instytucjonalna na badania z udziałem ludzi nie była zastosowana. Wszystkie obrazy zostały uzyskane z publikacji w domenie publicznej, z pozyskanymi pozwoleniami lub odpowiednio licencjonowanych źródeł historycznych.

1. Zasady korzystania z źródeł

  1. Weryfikować pochodzenie każdego obrazu przed przetworzeniem, w tym historycznego autora, tytułu źródła, przybliżonego roku publikacji i cyfrowego źródła.
  2. Interpretować zwiększone wyniki jako przetworzone cyfrowe reprodukcje, a nie jako przywrócone oryginalne dzieło sztuki lub dowód na odzyskanie utraconej informacji anatomicznej.
  3. Archiwizować oryginalne i zwiększone pliki razem, aby przetworzone zdjęcie zawsze można było porównać bezpośrednio ze źródłowym obrazem.

2. Wybór zdigitalizowanych historycznych ilustracji neuroanatomicznych

  1. Wybierać zdigitalizowane ilustracje historyczne publikowane od XVI do XIX wieku.
  2. Uwzględniać ilustracje przedstawiające struktury neuroanatomiczne, takie jak mózg, półkule mózgu, zakręty i bruzdy, układ komorowy, pień mózgu, nerwy czaszkowe, unaczynnione mózgowe, czy inne związane z układem nerwowym.
  3. Uwzględniać tylko obrazy uzyskane ze źródeł o zidentyfikowanym pochodzeniu i statusie domeny publicznej lub zgodnym z ponownym użyciem. Potwierdzić, że każda wybrana ilustracja została opublikowana między XVI a XIX wiekiem i że jej pochodzenie oraz status ponownego użycia zostały indywidualnie zweryfikowane przed włączeniem.
  4. Wykluczać zdublowane obrazy, mocno przycięte obrazy, niekompletne ryciny, nowoczesne przerysowane reprodukcje lub obrazy o niewystarczającej jasności źródła, w tym pliki źródłowe o długości osi poniżej około 1000 pikseli, gdy dostępna jest wersja wyższej jakości, brakujące lub przycięte treści anatomiczne wpływające na ponad około 20% ilustracji, nieczytelne etykiety w wybranym regionie, poważne artefakty kompresji lub degradacja spowodowana skanowaniem, która uniemożliwia porównanie z oryginalnym obrazem.
  5. Identyfikować zdublowane ilustracje poprzez porównanie historycznego autora, tytułu źródła, roku publikacji, numeru płyty lub strony, jeśli są dostępne, metadanych repozytorium i zawartości wizualnej. W przypadku dostępnych zdublowanych skanów zachować wersję o wyższej rozdzielczości, bardziej kompletnych granicach płyty i czytelniejszych etykiet.
  6. Przypisać każdemu uwzględnionemu obrazowi unikalną tożsamość pliku przed przetworzeniem.
  7. Zachować sparowane oryginalne i zwiększone wersje każdego obrazu przez cały proces przepływu pracy.

3. Wyodrębnianie obrazów ze zdigitalizowanych źródeł

  1. Otworzyć zdigitalizowane źródło pliku za pomocą najwyższej jakości wersji dostępnej.
  2. Pobrać każdą docelową ilustrację eksportując ją z pliku w formacie PDF lub uchwycić ją z cyfrowego źródła, jeśli bezpośredni eksport nie jest możliwy.
  3. Użyć czytnika PDF lub oprogramowania do eksportu do ekstrakcji obrazów na podstawie PDF. Użyj standardowego narzędzia do rejestracji ekranu tylko wtedy, gdy bezpośredni eksport nie jest możliwy.
  4. W przypadku ekstrakcji opartej na PDF, użyj oryginalnej osadzonej rozdzielczości obrazu, jeśli jest dostępna i unikaj przeskalowania podczas eksportu. W przypadku ekstrakcji na podstawie zrzutu ekranu, wyświetl źródło w powiększeniu 100% lub 200% i zapisz rozdzielczość wyświetlania, powiększenie wyświetlania, ustawienie skalowania monitora i wynikowe wymiary zrzutu ekranu.
  5. Zapisać wyodrębniony obraz w formacie Joint Photographic Experts Group (JPEG) lub Portable Network Graphics (PNG), w zależności od dostępności źródła i metody ekstrakcji.
  6. Zachować pełną ilustrację anatomiczną podczas ekstrakcji, o ile to możliwe. Jeśli pełna ilustracja nie może zostać zachowana, zastosować kryteria wykluczenia w kroku 2.4 i udokumentować przycięcie.
  7. Zachować etykiety i historycznie istotne znaki, jeśli są częścią głównej ilustracji. Nie przerysowywać, nie zmieniać kolorów, nie rekonstruować ani nie poprawiać struktur anatomicznych podczas ekstrakcji.

4. Przed przetwarzaniem i standardyzacja plików przed ulepszeniem

  1. Przejrzeć każdy wyodrębniony obraz przed ulepszeniem.
  2. Przycinaj tylko nieinformacyjne zewnętrzne marginesy lub puste okolicznościowe obszary. Nie wykonywać ręcznej korekcji wizualnej oprócz przycinania. W szczególności nie stosować ręcznego wyostrzenia, redukcji szumu, zmiany koloru, przerysowywania, selektywnego czyszczenia ani poprawiania anatomicznego przed ulepszeniem.
  3. Używać oprogramowania do edycji obrazów tylko do konserwatywnego przycinania obrazów i prostej przygotowania układu. Nie wykon

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Reprezentatywne porównania obrazów oryginalnych i ulepszonych przedstawiono na rysunkach w manuskrypcie. Data publikacji, pochodzenie źródła, informacje o repozytorium oraz status ponownego wykorzystania zostały zweryfikowane i udokumentowane dla każdej z 40 historycznych ilustracji uwzględnionych w niniejszym badaniu.

Zbiór danych obrazowych i charakterystyka źródeł
Protokół zastosowano do 40 zdigitalizowanych historycznych ilustracji neuroanatomicznych. Przed włączeniem ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Niniejszy artykuł metodyczny przedstawia odtwarzalny proces poprawy skanowanych historycznych ilustracji neuroanatomicznych przy użyciu sztucznej inteligencji. Historyczne obrazy anatomiczne od dawna służą jako ważne narzędzia do dokumentacji anatomicznej, nauczania i komunikacji naukowej, a wiele z tych prac jest teraz dostępnych poprzez skanizowane książki, skanowanie archiwów i repozytoria internetowe. Jednak ich użycie we współczesnym nauczaniu, prezentacjach i cyfrowym archiwizacji jest często ograniczone przez nisk...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy deklarują, że nie mają żadnych konfliktów interesów.

Podziękowania

Autorzy uznają zasługi repozytoriów cyfrowych o dostępie publicznym oraz zbiorów archiwalnych, które umożliwiają dostęp do scyfryfikowanych historycznych prac anatomicznych. Na niniejszą pracę nie otrzymano żadnego wsparcia finansowego.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Adobe AcrobatAdobeWersja niezarejestrowanaEkstrakcja obrazu na podstawie PDF
Komputer stacjonarnyNie zgłoszono w przesłanych plikachKonfiguracja niezgłoszonaSprzęt użyty do lokalnego ulepszania obrazu przy użyciu sztucznej inteligencji
Ustawienia wyświetlania/zrzutu ekranuNarzędzie do zrzutu ekranu Windows lub równoważnePowiększenie ekranu 100% lub 200%; skala monitora zarejestrowanaStandardowa ekstrakcja na podstawie zrzutu ekranu, gdy bezpośredni eksport PDF nie był możliwy
GallicaBibliothèque nationale de FranceRepozytorium onlineŹródło scyfryzowanych dzieł historycznych
Ustawienie Photo Real-ESRGAN ogólneModel oparty na Upscayl / Real-ESRGANUstawienie 16xSuperrezolucjonalne ulepszanie scyfryzowanych ilustracji
Google BooksGoogleRepozytorium onlineŹródło scyfryzowanych książek historycznych
Jednostka graficznaNie zgłoszono w przesłanych plikachModel i status przyspieszenia niezgłoszonePrzyspieszenie GPU do skalowania obrazu, gdy jest włączone
Internet ArchiveInternet ArchiveRepozytorium onlineŹródło scyfryzowanych dzieł historycznych z domeny publicznej
Dysk pamięci lokalnejStacjonarny komputer określony przez użytkownikaWystarczająco duża wolna przestrzeń dyskowaPrzechowywanie plików obrazów oryginalnych, ulepszonych i gotowych do publikacji
Ustawienia eksportu PDFAdobe Acrobat lub odpowiednie oprogramowanie do odczytu/eksportu PDFOryginalna osadzona rozdzielczość, jeśli jest dostępnaEkstrakcja obrazów ze scyfryzowanych źródeł PDF bez celowego pomniejszenia
PhotoScape XMOOII Techv4.1.1Konserwatywne przycinanie i przygotowanie figur
Format obrazu PNG——Format wyjściowy dla ulepszonych obrazów
Arkusz kalkulacyjny rejestru przetwarzaniaMicrosoft Excel lub odpowiednie oprogramowanie arkuszoweWersja nie ma znaczeniaDokumentacja źródła, metody ekstrakcji, ustawienia ulepszania, czas przetwarzania, nazwa pliku wyjściowego i klasyfikacji QC
Lista kontrolna kontroli jakościLista kontrolna wygenerowana przez autoraNie dotyczyUstrukturyzowana recenzja techniczna pod kątem sztucznej tekstury, nadmiernego ostrzenia, zniekształcenia etykiety, pogrubienia linii i nieobsługiwanych zmian wizualnych
Pamięć systemowaNie zgłoszono w przesłanych plikachPojemność pamięci RAM niezgłoszonaPamięć dostępna na potrzeby ulepszania obrazów na dużą skalę
UpscaylUpscaylv2.11.5Ulepszanie obrazu przy użyciu sztucznej inteligencji
Wellcome CollectionWellcome CollectionRepozytorium onlineŹródło scyfryzowanych dzieł historycznych z domeny publicznej
Wikimedia CommonsWikimedia FoundationRepozytorium onlineŹródło obrazów z domeny publicznej lub kompatybilnych z ponownym użyciem
System operacyjny WindowsMicrosoftWindows 10System operacyjny używany do ekstrakcji i przetwarzania obrazów
Narzędzie do zrzutu ekranu WindowsMicrosoftWbudowane narzędzie systemu Windows 10Przechwytywanie obrazu na podstawie zrzutu ekranu, gdy eksport PDF nie był możliwy

Bibliografia

  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.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Neuronaukawydanie 234wydanie 234Ulepszanie obrazuNeuroanatomiaIlustracje historyczneKonserwacja cyfrowasuper rozdzielczoedukacja anatomiczna
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.