Artykuł metodologiczny

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

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Reprezentatywne porównania obrazów oryginalnych i ulepszonych przedstawiono na rysunkach w manuskrypcie. Data publikacji, pochodzenie źródłowe, 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 każdej ilustracji indywidualnie zweryfikowano datę publikacji, pochodzenie oraz status ponownego wykorzystania; wszystkie wybrane ilustracje pochodziły z prac opublikowanych między XVI a XIX wiekiem. Uwzględnione ilustracje reprezentowały szereg zagadnień neuroanatomicznych, w tym anatomię powierzchni kory, zakręty i bruzdy mózgu, struktury komorowe, obszary pnia mózgu, anatomię związaną z nerwami czaszkowymi oraz cechy naczyniowe. Obrazy pozyskano z zdigitalizowanych źródeł historycznych będących w domenie publicznej, z uzyskanymi zezwoleniami lub zgodnych z zasadami ponownego wykorzystania; informacje o repozytorium i statusie ponownego wykorzystania udokumentowano indywidualnie dla wszystkich 40 ilustracji.

Oryginalne reprodukcje cyfrowe wykazywały typowe ograniczenia występujące w materiałach historycznych, w tym niską rozdzielczość pozorną, wyblakłe linie, odbarwienia tła, rozmycia związane ze skanowaniem, artefakty kompresji oraz ograniczoną czytelność małych etykiet. Ograniczenia te stanowiły praktyczne przypadki testowe do zastosowania zestandaryzowanego procesu ulepszania. Oryginalne, nieulepszone obrazy zachowano jako pliki bazowe i zestawiano z odpowiadającymi im wynikami po ulepszeniu na każdym etapie procesu.

Wynik techniczny procesu ulepszania
Wszystkie 40 obrazów bazowych przetworzono przy użyciu tego samego lokalnie zainstalowanego oprogramowania do upscalingu obrazów wspomaganego przez AI z ustalonymi ustawieniami ulepszania. Do wszystkich uwzględnionych obrazów konsekwentnie zastosowano preset super-rozdzielczości 16x, a ulepszone wyniki wyeksportowano w formacie PNG. Przed ani po ulepszaniu nie przeprowadzano ręcznego przerysowywania, ponownego kolorowania, selektywnej korekty ani retuszu anatomicznego. Przetwarzanie wykonano na komputerze wyposażonym w mobilny procesor centralny 13. generacji (16 rdzeni, 24 wątki), dedykowany procesor graficzny w laptopie z 8 GB pamięci graficznej oraz 32 GB pamięci RAM, z włączoną akceleracją procesora graficznego. Czas przetwarzania wynosił około 3 min na obraz, w zależności od wymiarów obrazu wejściowego.

Ulepszone obrazy wykazały zazwyczaj większą pozorną ostrość, wyraźniejsze zarysy linii, lepszą separację między anatomicznym rysunkiem liniowym a tłem oraz zwiększoną postrzeganą widoczność drobnych detali anatomicznych lub tekstowych. Efekty te były najbardziej zauważalne w obrazach z wyblakłym tuszem, niskim kontrastem lub rozmyciem wynikającym ze skanowania. Ulepszenie to zinterpretowano jako techniczne przetwarzanie cyfrowych reprodukcji, a nie jako renowację oryginalnego dzieła historycznego.

Praktycznym ograniczeniem tego schematu postępowania był znaczny wzrost rozmiaru plików wyjściowych. W niektórych przypadkach pliki o rozmiarze około 1 MB zwiększyły się do ponad 200 MB po 16-krotnym ulepszeniu. W związku z tym, przy stosowaniu tego schematu do większych zbiorów obrazów, należy wziąć pod uwagę pojemność pamięci masowej, zarządzanie plikami oraz przygotowanie rycin.

Reprezentatywne wyniki udanego ulepszenia
Reprezentatywne przykłady par obrazów zademonstrowały praktyczny efekt zastosowania protokołu na historycznych ilustracjach neuroanatomicznych z różnych źródeł i okresów (Rycina 2, Rycina 3, Rycina 4 oraz Rycina 5). W udanych przykładach ulepszone obrazy wykazały wyraźniejsze kontury anatomiczne, większą ciągłość cienkich linii oraz zwiększoną postrzeganą widoczność złożonych obszarów, w tym zakrętów kory, struktur komorowych, linii naczyniowych oraz szczegółów związanych z pniem mózgu.

Zastosowanie formatu parzystych rycin umożliwiło bezpośrednie porównanie wersji oryginalnej i ulepszonej. Przy małym powiększeniu najbardziej widoczne poprawy dotyczyły ogólnej przejrzystości, kontrastu oraz czytelności. Przy większym powiększeniu bardziej wyraźne stały się różnice w ciągłości linii, definicji krawędzi oraz widoczności małych etykiet. Dopasowane obszary zainteresowania były przydatne do zaprezentowania lokalnego efektu ulepszenia w odniesieniu do istotnych anatomicznie szczegółów.

Oryginalny obraz pozostawał niezbędny do interpretacji we wszystkich przypadkach. Z tego powodu obrazy ulepszone powinny być prezentowane jako towarzyszące obrazy przetworzone, a nie jako zamienniki oryginalnego źródła historycznego.

Nieoptymalne wyniki ulepszania i ustalenia kontroli jakości
Chociaż schemat postępowania przyniósł technicznie akceptowalne wyniki w większości reprezentatywnych przykładów, podczas przeglądu kontroli jakości zaobserwowano kilka ograniczeń. Na niektórych obrazach proces ulepszania zwiększył teksturę sztuczną, wyolbrzymił ziarnistość papieru lub zniekształcił małe litery i etykiety. W innych przypadkach cienkie linie wydawały się nadmiernie wyostrzone lub wizualnie grubsze niż na oryginalnym obrazie.

Tego typu suboptimalne wyniki występowały częściej w obrazach z silną degradacją wyjściową, niską rozdzielczością źródłową, gęstym etykietowaniem lub wyraźną teksturą papieru. Takie wnioski podkreślają konieczność bezpośredniego porównania z obrazem oryginalnym po wzmocnieniu. Wspierają one również wprowadzenie etapu kontroli jakości przed wykorzystaniem wzmocnionych obrazów w materiałach edukacyjnych, prezentacjach lub rycinach naukowych. Niniejszy ustrukturyzowany przegląd został wykorzystany jako dokumentacja technicznej kontroli jakości, a nie jako formalne badanie walidacyjne z udziałem ekspertów-oceniających.

Jako Rysunek 6 dołączono przykład suboptymalny, aby zademonstrować ograniczenia tej metody. Jest to szczególnie istotne, ponieważ ulepszenia wspomagane przez sztuczną inteligencję mogą poprawić przejrzystość wizualną, jednocześnie wprowadzając zmiany, które mogłyby zostać pomylone z autentycznymi detalami historycznymi lub anatomicznymi.

Zalecana interpretacja ulepszonych wyników
Wyniki niniejszego protokołu należy interpretować jako demonstrację wykonalności technicznej i powtarzalności przepływu pracy. Metoda ta może poprawić postrzeganą dostępność wizualną zdigitalizowanych historycznych ilustracji neuroanatomicznych, szczególnie w przypadkach, gdy oryginalny zdigitalizowany obraz jest dotknięty rozmyciem, blaknięciem lub zmniejszoną wyraźnością linii. Niemniej jednak, ulepszone wyniki nie stanowią dowodu na renowację oryginalnego dzieła, odzyskanie utraconych informacji ani dokładność anatomiczną.

W celach dydaktycznych, prezentacyjnych lub archiwalnych, obraz ulepszony powinien być wyświetlany obok lub wyraźnie powiązany z oryginalnym zdigitalizowanym źródłem. Takie zestawienie zapewnia przejrzystość historyczną i zmniejsza ryzyko nadinterpretacji zmian wynikających z procesu ulepszania. Protokół ten jest zatem najbardziej odpowiedni jako kontrolowany proces ulepszania wizualnego reprodukcji cyfrowych, a nie jako metoda zastępowania historycznych materiałów źródłowych.

figure-results-1
Rycina 1: Schemat procesu wspomaganego przez AI ulepszania zdigitalizowanych historycznych ilustracji neuroanatomicznych. Schemat podsumowuje pozyskiwanie obrazów z repozytoriów cyfrowych, przygotowanie obrazów, stałe ulepszenie wspomagane przez AI w skali 16× oraz eksport ulepszonego obrazu do późniejszej oceny i dokumentacji. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

figure-results-2
Rysunek 2: Reprezentatywna poprawa jakości zdigitalizowanej historycznej ilustracji neuroanatomicznej z dzieł Vesaliusa. Ilustracja została pobrana z zdigitalizowanego źródła historycznego De humani corporis fabrica libri septem autorstwa Andreasa Vesaliusa13. (A) Oryginalna zdigitalizowana ilustracja przed poprawą jakości. (B) Wersja tej samej ilustracji poprawiona za pomocą super-rozdzielczości (super-resolution). (C) Powiększony obszar zainteresowania z oryginalnego obrazu. (D) Odpowiadający mu powiększony obszar zainteresowania z obrazu poprawionego. Czerwone ramki wskazują obszary powiększone na panelach C i D. Porównanie par wykazuje większą postrzeganą definicję linii, kontrast i przejrzystość wizualną, umożliwiając jednocześnie bezpośrednie porównanie z oryginalnym obrazem zdigitalizowanym. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

figure-results-3
Rysunek 3: Reprezentatywna poprawa jakości zdigitalizowanej historycznej ilustracji neuroanatomicznej autorstwa Steno. Ilustracja pochodzi ze zdigitalizowanego historycznego źródła Discours de Monsieur Stenon sur l’anatomie du cerveau autorstwa Nicolasa Steno14. (A) Oryginalna zdigitalizowana ilustracja przed poprawą jakości. (B) Wersja tej samej ilustracji po zastosowaniu super-rozdzielczości. (C) Powiększony obszar zainteresowania z oryginalnego obrazu. (D) Odpowiadający mu powiększony obszar zainteresowania z obrazu po poprawie jakości. Czerwone ramki wskazują obszary powiększone na panelach C i D. Obraz po poprawie jakości wykazuje większą widoczność cienkich linii oraz zredukowaną degradację wizualną związaną ze skanowaniem. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

figure-results-4
Rysunek 4: Reprezentatywna poprawa jakości zdigitalizowanej historycznej ilustracji neuroanatomicznej autorstwa Rolando. Ilustracja została pobrana ze zdigitalizowanego historycznego źródła Della struttura degli emisferi cerebrali autorstwa Luigiego Rolando15. (A) Oryginalna zdigitalizowana ilustracja przed poprawą jakości. (B) Wersja tej samej ilustracji ulepszona metodą super-rozdzielczości. (C) Powiększony obszar zainteresowania z oryginalnego obrazu. (D) Odpowiadający mu powiększony obszar zainteresowania z obrazu ulepszonego. Czerwone ramki wskazują obszary powiększone na panelach C i D. Porównanie wykazuje większą widoczność szczegółów powierzchni kory oraz ciągłości linii anatomicznych po poprawie jakości. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

figure-results-5
Rycina 5: Reprezentatywne ulepszenie zdigitalizowanej historycznej ilustracji neuroanatomicznej autorstwa Vicq d’Azyr. Ilustracja została pobrana z zdigitalizowanego historycznego źródła Traité d’anatomie et de physiologie autorstwa Félixa Vicq d’Azyr16. (A) Oryginalna zdigitalizowana ilustracja przed ulepszeniem. (B) Wersja tej samej ilustracji ulepszona za pomocą super-rozdzielczości. (C) Powiększony obszar zainteresowania z oryginalnego obrazu. (D) Odpowiadający mu powiększony obszar zainteresowania z obrazu ulepszonego. Czerwone ramki wskazują obszary powiększone na panelach C i D. Para paneli pokazuje większy postrzegany kontrast i widoczność szczegółów na historycznej rycinie anatomicznej. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

figure-results-6
Rysunek 6: Suboptymalny efekt ulepszenia wspomaganego przez AI w zdigitalizowanej historycznej ilustracji neuroanatomicznej z dzieła Arnolda. Ilustracja została pozyskana z zdigitalizowanego historycznego źródła Tabulae anatomicae autorstwa Friedricha Arnolda17. (A) Oryginalna zdigitalizowana ilustracja przed ulepszeniem. (B) Wersja tej samej ilustracji ulepszona za pomocą super-rozdzielczości. (C) Powiększony obszar zainteresowania z oryginalnego obrazu. (D) Odpowiadający mu powiększony obszar zainteresowania z obrazu ulepszonego. Czerwone ramki wskazują obszary powiększone na panelach C i D. Ulepszony obraz wykazuje ograniczenia związane z metodą, w tym sztuczną teksturę papieru, nadmierne wyostrzenie, częściowe zniekształcenie małych etykiet oraz wizualnie pogrubione linie. Przykład ten ilustruje, dlaczego ulepszone obrazy powinny pozostać powiązane z oryginalnym źródłem i przejść kontrolę jakości przed użyciem. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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 niską wizualną rozdzielczość, wyblakły rysunek linii, zniekształcenie tła, rozmazanie spowodowane skanowaniem, artefakty kompresji i zmniejszoną czytelność małych etykiet12,18,19,20.

Główną zaletą protokołu jest jego prostota i odtwarzalność. Protokół nie ma na celu wprowadzenia nowego algorytmu superrozdzielczości ani twierdzenie, że poprawione obrazy są bardziej historycznie autentyczne niż obrazy źródłowe. Zamiast tego jego wkładem jest standaryzacja ostrożnego procesu, który zmniejsza ryzyko niekontrolowanej, ad hoc poprawy. Proces korzysta ze źródeł cyfrowych domen publicznych lub zgodnych z ponownym użyciem, konserwatywnego przycinania i ustawienia poprawy w aplikacji do powiększania obrazów. Ten sam preset 16x superrozdzielczości został zastosowany do wszystkich uwzględnionych obrazów i nie wykonano żadnej ręcznej anatomicznej retuszu, ponownego rysowania, ponownego kolorowania ani selektywnej korekcji. Jest to ważne, ponieważ historyczne ilustracje neuroanatomiczne nie są zwykłymi obrazami cyfrowymi; są one dokumentami naukowymi, edukacyjnymi, artystycznymi i historycznymi. Dlatego poprawa powinna być interpretowana jako przetwarzanie zeskanowanej reprodukcji, a nie jako przywrócenie oryginalnego dzieła sztuki lub dowód na odzyskanie utraconych informacji anatomicznych19,21,22.

Poprawa obrazów przy użyciu sztucznej inteligencji i metody superrozdzielczości mogą poprawić wizualną rozdzielczość, definicję krawędzi, kontrast i dostępność wizualną w zdegradowanych lub niskorozdzielczych obrazach. W przypadku udanych przykładów, obecny proces wyprodukował większą postrzeganą widoczność drobnych anatomicznych linii, konturów kory i komór, szczegółów naczyniowych, struktur związanych ze śródmózgowiem i małych etykiet. Te zmiany mogą być przydatne przy przygotowywaniu historycznych ilustracji neuroanatomicznych na wykłady, figury edukacyjne, archiwa cyfrowe lub prezentacje naukowe. Jednak oryginalny obraz powinien pozostać dostępny jako źródło referencyjne, a poprawione obrazy powinny być używane jako obraz towarzyszący, a nie zastępujące9,23,24.

Kontrola jakości po poprawie jest istotnym etapem protokołu. Poprawa przy użyciu sztucznej inteligencji może sporadycznie dawać nieoptymalne wyniki, szczególnie w przypadku obrazów o poważnym degradacji początkowej, gęstym etykietowaniu, słabej rozdzielczości źródła lub wyraźnej fakturze papieru. Potencjalne problemy obejmują sztuczną formę tekstury, nadmierną ostrość, pogrubienie drobnych linii, zniekształcenie małych liter i wizualnie wprowadzające w błąd zmiany w ciągłości linii. Te ryzyka są zgodne z szerszymi obawami dotyczącymi anatomicznej wiarygodności obrazów medycznych generowanych lub modyfikowanych przez sztuczną inteligencję, w których wizualizacja niekoniecznie gwarantuje dokładność anatomiczną. Z tego powodu każde poprawione wyjście powinno być bezpośrednio porównywane z oryginalnym skanowanym źródłem przed użyciem12,25,26.

Niniejszy protokół ma kilka ograniczeń. Po pierwsze, jakość poprawionego wyjścia silnie zależy od jakości obrazu źródłowego. Obrazy znacznie zdegradowane, niekompletne lub słabo skanujące mogą nie wytwarzać wiarygodnych wyników. Po drugie, 16x poprawa może znacznie zwiększyć rozmiar pliku wyjściowego, co może komplikować przechowywanie, transfer i przygotowanie figur. Wybrana skala 16x nie została porównana z alternatywnymi współczynnikami skali i nie powinna być interpretowana jako optymalna. Po trzecie, niniejszy artykuł nie dostarcza obiektywnych wskaźników jakości obrazu, wyników eksperckich oceniających lub danych dotyczących efektów edukacyjnych. Zamiast tego obecny protokół zapewnia strukturalną dokumentację kontroli jakości technicznej i wyraźnie przedstawia poprawione obrazy jako towarzyszące wizualizacje, a nie zweryfikowane zamienniki oryginalnych źródeł historycznych. Celem jest opisanie standaryzowanego procesu technicznego, a nie udowodnienie wyższości nad innymi algorytmami poprawy lub mierzenie wyników edukacyjnych.

Przyszły badania mogą porównywać różne modele poprawy, współczynniki skali i obiektywne wskaźniki jakości obrazu, takie jak ostrość, kontrast, zachowanie krawędzi, czytelność tekstu, wielkość pliku i czas przetwarzania. Badania edukacyjne mogą również ocenić, czy poprawione history

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy deklarują, że nie mają żadnych konfliktów interesów.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Neuronaukawydanie 234wydanie 234Ulepszanie obrazuNeuroanatomiaIlustracje historyczneKonserwacja cyfrowasuper rozdzielczoedukacja anatomiczna

Powiązane artykuły