É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.

Artigo de método

Um Protocolo Reprodutível para Aprimoramento Assistido por Inteligência Artificial de Ilustrações Neuroanatômicas Históricas Digitalizadas

79 visualizações

⸱

DOI:

10.3791/72309

⸱

7 de agosto de 2026

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

Neste artigo

Resumo

Este artigo de métodos apresenta um fluxo de trabalho reproduzível e controlado por qualidade para aprimoramento assistido por inteligência artificial de ilustrações neuroanatômicas históricas digitalizadas. O protocolo define seleção de fonte, extração, padronização de arquivos, processamento local de super-resolução, arquivamento original-aprimorado pareado, revisão técnica de controle de qualidade e documentação de resultados aceitáveis e subótimos.

Resumo

Ilustrações neuroanatômicas históricas digitalizadas são recursos valiosos para educação anatômica, pesquisa histórica e arquivamento digital. No entanto, seu uso prático em materiais didáticos e apresentações acadêmicas é frequentemente limitado por baixa resolução aparente, desbotamento, descoloração do papel, artefatos de compressão e legibilidade reduzida de linhas anatômicas finas ou rótulos. A super-resolução assistida por inteligência artificial pode melhorar a usabilidade visual dessas reproduções digitalizadas, mas o aprimoramento descontrolado também pode introduzir textura artificial, continuidade de linha alterada, rótulos distorcidos ou detalhes visualmente plausíveis não suportados pela imagem de origem. Portanto, procedimentos padronizados e transparentes são necessários ao aplicar aprimoramento assistido por inteligência artificial a ilustrações científicas históricas.

Este artigo descreve um fluxo de trabalho passo a passo para o aprimoramento controlado de ilustrações neuroanatômicas históricas digitalizadas. O protocolo inclui seleção de imagem de origem, documentação de procedência e status de reutilização, extração de imagens, pré-processamento conservador, aprimoramento local de super-resolução usando configurações fixas, arquivamento original-aprimorado pareado, inspeção baseada em região de interesse e documentação estruturada de controle técnico de qualidade. O fluxo de trabalho tem como objetivo melhorar a acessibilidade visual para ensino, apresentação e inspeção visual preliminar, mantendo um vínculo interpretativo direto entre cada resultado aprimorado e sua fonte digitalizada original.

O método deve ser considerado como aprimoramento auxiliar de reproduções digitais digitalizadas, não como restauração de obras originais, autenticação de fontes históricas ou recuperação de informações anatômicas perdidas. Versões originais e aprimoradas devem ser arquivadas juntas, e os resultados aprimorados devem ser revisados para possíveis artefatos antes do uso. Este protocolo oferece uma abordagem prática, de baixo custo e reprodutível para preparar imagens neuroanatômicas históricas como visualizações complementares emparelhadas, mantendo a cautela quanto à integridade anatômica e histórica.

Introdução

Ilustrações neuroanatômicas históricas desempenharam um papel importante na documentação visual, ensino e interpretação do sistema nervoso. Antes do desenvolvimento da neuroimagem moderna, as placas anatômicas serviam como o principal meio para comunicar observações do cérebro, ventrículos cerebrais, nervos cranianos, estruturas vasculares e anatomia do tronco encefálico 1,2,3. Muitas dessas obras agora estão acessíveis por meio de livros digitalizados, coleções arquivísticas digitalizadas e repositórios online. No entanto, o uso direto de ilustrações históricas digitalizadas no ensino moderno, apresentações e arquivamento digital é frequentemente limitado por baixa resolução, desbotamento, descoloração do papel, artefatos de compressão, desfoque relacionado à varredura e legibilidade reduzida de linhas finas ou rótulos 4,5,6,7,8.

O aprimoramento de imagens assistido por IA e métodos de super-resolução oferecem uma oportunidade prática para melhorar a usabilidade visual de imagens digitalizadas degradadas ou de baixa resolução. Algoritmos de super-resolução baseados em aprendizado profundo podem aumentar a resolução aparente, melhorar a definição das bordas e reduzir a degradação visual relacionada à varredura em imagensdigitais 9,10,11,12. Para ilustrações neuroanatômicas históricas, tais métodos podem ajudar a esclarecer linhas anatômicas finas, rótulos e limites estruturais que são difíceis de inspecionar na reprodução digitalizada original. No entanto, imagens anatômicas históricas exigem cautela. Essas ilustrações não são apenas materiais visuais de ensino, mas também documentos científicos e históricos. O aprimoramento pode melhorar a clareza, mas também pode alterar a textura das linhas, exagerar as bordas, modificar sombreamento ou criar detalhes artificiais se aplicado sem um fluxo de trabalho padronizado.

Por essa razão, o aprimoramento assistido por inteligência artificial de ilustrações anatômicas históricas deve ser realizado como um processo técnico controlado, e não como manipulação irrestrita de imagens. Um protocolo reproduzível deve definir como as imagens de origem são selecionadas, como a proveniência e o status de reutilização são documentados, como as imagens são extraídas e padronizadas, quais configurações de aprimoramento são aplicadas, como os arquivos de saída são arquivados e como as imagens aprimoradas são verificadas quanto a possíveis artefatos. Versões originais e aprimoradas devem permanecer vinculadas durante todo o fluxo de trabalho, para que o resultado aprimorado possa sempre ser interpretado como uma reprodução digital processada, e não como uma imagem restaurada ou historicamente original.

Um fluxo de trabalho padronizado é preferível ao aprimoramento assistido por inteligência artificial ad hoc, pois define seleção de fonte, pré-processamento conservador, configurações fixas de aprimoramento, arquivamento original-aprimorado pareado e controle de qualidade pós-aprimoramento antes do uso da imagem processada. Os usuários finais pretendidos incluem anatomistas, neurocirurgiões, educadores médicos, historiadores da anatomia, ilustradores médicos e usuários de arquivos digitais que necessitam de cópias companheiras visualmente legíveis, mantendo o acesso direto à fonte original.

Este artigo de métodos apresenta um protocolo passo a passo para aprimoramento assistido por IA de ilustrações neuroanatômicas históricas digitalizadas. A sequência central de processamento de imagem, incluindo preparação de imagens, melhoria fixa de superresolução de 16× e exportação em PNG, está resumida na Figura 1. Etapas subsequentes do protocolo incluem arquivamento original-aprimorado pareado, controle de qualidade pós-aprimoramento, inspeção visual baseada em região de interesse e documentação de resultados bem-sucedidos e subótimos. O protocolo não tem a intenção de reivindicar a restauração de obras de arte originais ou a recuperação de informações anatômicas perdidas; em vez disso, ela visa melhorar a acessibilidade visual das reproduções digitalizadas, preservando a relação interpretativa entre a imagem aprimorada e a fonte original.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

Esse protocolo foi aplicado apenas a ilustrações neuroanatômicas históricas digitalizadas e não envolveu participantes humanos, dados de pacientes, animais sujeitos, amostras biológicas ou informações pessoais identificáveis; portanto, a aprovação institucional de pesquisas em sujeitos humanos não era aplicável. Todas as imagens foram obtidas de fontes históricas de domínio público, com autorização ou licenciadas adequadamente.

1. Considerações sobre uso de fontes

  1. Verifique a proveniência de cada imagem antes do processamento, incluindo o autor histórico, título da fonte, ano aproximado de publicação e origem digital.
  2. Interprete os resultados aprimorados como reproduções digitais processadas, em vez de como obras de arte originais restauradas ou evidências de que informações anatômicas perdidas foram recuperadas.
  3. Arquive arquivos originais e aprimorados juntos para que a imagem processada possa sempre ser comparada diretamente com a imagem de origem.

2. Seleção de ilustrações neuroanatômicas históricas digitalizadas

  1. Ilustrações históricas digitalizadas selecionadas publicadas do século XVI ao XIX.
  2. Inclua ilustrações que representem estruturas neuroanatômicas como cérebro, hemisférios cerebrais, giros e sulcos, sistema ventricular, tronco encefálico, nervos cranianos, vasculatura cerebral ou anatomia do sistema nervoso relacionado.
  3. Inclua apenas imagens obtidas de fontes com proveniência identificável e status de domínio público ou reutilização compatível. Confirme que cada ilustração selecionada foi publicada entre os séculos XVI e XIX e que sua proveniência e status de reutilização foram verificados individualmente antes da inclusão.
  4. Exclua imagens duplicadas, imagens severamente cortadas, chapas incompletas, reproduções modernas redesenhadas ou imagens com clareza de fonte insuficiente, incluindo arquivos fonte com dimensão de eixo longo abaixo de aproximadamente 1.000 pixels quando uma versão de qualidade superior estiver disponível, conteúdo anatômico ausente ou cortado afetando mais de aproximadamente 20% da ilustração, rótulos ilegíveis na região selecionada, artefatos severos de compressão, ou degradação relacionada à varredura que impede a comparação com a imagem original.
  5. Identifique ilustrações duplicadas comparando o autor histórico, título da fonte, ano de publicação, número da placa ou página quando disponível, metadados do repositório e conteúdo visual. Quando varreduras duplicadas estiverem disponíveis, mantenha a versão com resolução maior, limites de placas mais completos e rótulos mais claros.
  6. Atribua a cada imagem incluída uma identidade única de arquivo antes do processamento.
  7. Mantenha versões originais e aprimoradas pareadas de cada imagem durante todo o fluxo de trabalho.

3. Extração de imagens a partir de fontes digitalizadas

  1. Abra o arquivo-fonte digitalizado usando a versão de maior qualidade disponível.
  2. Recupere cada ilustração de alvo exportando-a do arquivo de documento portátil (PDF) de origem ou capturando-a da fonte digital quando a exportação direta não for viável.
  3. Use um leitor de PDF ou software de exportação para extração de imagens em PDF. Use uma ferramenta padrão de captura de tela apenas quando a exportação direta não for viável.
  4. Para extração baseada em PDF, use a resolução original embutida da imagem quando disponível e evite a redução de amostragem durante a exportação. Para extração baseada em captura de tela, exiba a fonte com ampliação de 100% ou 200% e registre a resolução da tela, ampliação da tela, ajuste de escala do monitor e as dimensões resultantes da captura de tela.
  5. Salve a imagem extraída no formato Joint Photographic Experts Group (JPEG) ou Portable Network Graphics (PNG), dependendo da disponibilidade da fonte e do método de extração.
  6. Mantenha a ilustração anatômica completa durante a extração sempre que possível. Se a ilustração completa não puder ser preservada, aplique os critérios de exclusão no passo 2.4 e documente o cultivo.
  7. Mantenha rótulos e marcações historicamente relevantes se fizerem parte da ilustração principal. Não redesenhe, recolora, reconstrua ou retoque manualmente estruturas anatômicas durante a extração.

4. Pré-processamento e padronização de arquivos antes da melhoria

  1. Revise cada imagem extraída antes de aprimorar.
  2. Corte apenas margens externas não informativas ou áreas ao redor em branco. Não faça correção visual manual além do recorte. Especificamente, não aplique afiação manual, eliminação de ruído, recoloração, redesenho, limpeza seletiva ou retoque anatômico antes do aprimoramento.
  3. Use softwares de edição de imagem apenas para recorte conservador e preparação simples do layout. Não realize retoque anatômico.
  4. Preserve as imagens de linha base como arquivos de referência originais antes do aprimoramento. Não force o tamanho e a resolução da imagem base em uma única dimensão de pixel uniforme antes do processamento, pois as dimensões originais de origem variam entre as placas históricas.
  5. Confirme que cada arquivo pré-processado permanece uma reprodução digitalizada fiel da imagem original antes de prosseguir para o aprimoramento assistido por IA.

5. Aprimoramento assistido por inteligência artificial

  1. Abra a imagem de entrada padronizada em um software de ampliação de imagem baseado em inteligência artificial instalado localmente.
  2. Use o modo de processamento de imagem única , a menos que o processamento em lote seja especificamente exigido.
  3. Selecione a imagem de entrada usando a função Selecionar Imagem .
  4. Selecione um modelo ou preset de super-resolução fixa antes do processamento e use o mesmo modelo para todas as imagens incluídas.
  5. Defina a escala da imagem para 16x para reproduzir a configuração fixa usada nesse fluxo de trabalho e registre que os parâmetros padrão do software não foram modificados manualmente. Não interprete a escala selecionada como otimizada ou superior a fatores de escala alternativos.
  6. Use as mesmas configurações de aprimoramento para todas as imagens incluídas para manter a consistência em todo o fluxo de trabalho.
  7. Defina a pasta de saída para o mesmo diretório da imagem de entrada ou para uma pasta de saída de projeto pré-definida, e use um diretório de saída separado sempre que possível para evitar sobrescrever acidentalmente arquivos originais.
  8. Realize o aprimoramento em um computador equipado com uma unidade central móvel de processamento móvel de 16 núcleos e 24 threads de 13ª geração, uma unidade dedicada de processamento gráfico para laptop com 8 GB de memória gráfica e 32 GB de RAM. Ative a aceleração da unidade de processamento gráfico (GPU) durante o processamento de imagem para reduzir o tempo de processamento para aproximadamente 3 minutos por imagem, dependendo das dimensões da imagem de entrada.
    NOTA: O acesso à Internet não será necessário após a instalação local do software e dos arquivos de modelo.
  9. Execute o processo de aprimoramento usando o comando de aprimoramento ou início de processamento do software.
  10. Exporte a saída aprimorada no formato PNG.
  11. Preserve o nome de arquivo de saída automatizado gerado pelo software sempre que possível, ou atribua um nome estruturado que registre a identidade da imagem de origem, escala de aprimoramento e formato de saída.
    NOTA: Não redesenhe, retoque, recolore ou corrija seletivamente detalhes anatômicos manualmente após o aprimoramento da IA.
  12. Arquive o arquivo PNG aprimorado junto com a imagem original de linha base.

6. Revisão de controle de qualidade pós-aprimoramento

  1. Abra cada imagem aprimorada junto com sua imagem original correspondente. Confirme que o arquivo aprimorado foi gerado completamente e que não houve corrupção ou exportação incompleta do arquivo.
  2. Compare a imagem aprimorada com a original em baixa e alta ampliação. Verifique se o aprimoramento parece melhorar a visibilidade dos traços, contornos anatômicos, rótulos e detalhes escaneados.
  3. Aplique uma lista de verificação técnica estruturada de controle de qualidade. Essa lista de verificação é uma etapa de documentação, e não um estudo formal de validação por avaliadores de especialistas.
  4. Inspecionar especificamente a saída para os seguintes problemas relacionados a aprimoramentos: formação artificial de texturas; nitidez excessiva, incluindo linhas finas espessadas, granulação exagerada do papel ou bordas que parecem mais pronunciadas do que na imagem original; distorção de letras ou rótulos; falsa continuidade entre linhas separadas; espessamento de linhas anatômicas finas; textura exagerada do papel; e estruturas que não são claramente apoiadas pela imagem original.
  5. Classifique cada saída como tecnicamente aceitável ou subótima.
    1. Considere um resultado tecnicamente aceitável se contornos anatômicos, rótulos e marcas históricas permanecerem visualmente consistentes com a imagem digitalizada original.
    2. Considere um resultado subótimo se o aprimoramento produz textura enganosa, texto distorcido, formação artificial de linhas ou alteração excessiva da aparência histórica. Manter resultados subótimos para documentação quando ilustram limitações do método.
  6. Não substitua a imagem original pela imagem aprimorada. Use a imagem aprimorada apenas como uma versão companheira processada.

7. Seleção por região de interesse para comparação pareada

  1. Selecione manualmente uma ou mais regiões representativas de interesse (ROIs) de cada par de imagens após as imagens completas originais e aprimoradas terem sido arquivadas. Escolha regiões que demonstrem o efeito prático do aprimoramento na visualização neuroanatômica. Prefira regiões que contenham detalhes anatômicos visualmente complexos ou ricos em profundidade, como estruturas ventriculares, giros e sulcos, trabalho de linhas vasculares, contornos do tronco encefálico, detalhes relacionados ao nervo craniano ou pequenos rótulos. Evite selecionar apenas as regiões visualmente melhores; Inclua regiões que representem de forma justa os pontos fortes e limitações do aprimoramento.
  2. Para cada região selecionada, corte a mesma área anatômica das imagens originais e aprimoradas usando coordenadas proporcionais idênticas. Se a correspondência exata de coordenadas não for possível devido a diferentes dimensões da imagem, documente o ajuste. Use um ROI de aproximadamente 10%–20% da largura e altura da imagem, ajustado apenas quando necessário para incluir a mesma estrutura anatômica ou rótulo em ambos os painéis.
  3. Certifique-se de que os painéis originais e os aprimorados de ROI mostrem o mesmo campo anatômico. Não aplique sharpening adicional, ajuste de contraste ou correção manual nos painéis ROI após o recorte.
  4. Use os painéis de retorno sobre investimento apenas para demonstração visual do efeito de aprimoramento, não como material independente de avaliação de especialistas.

8. Preparação de figuras representativas

  1. Prepare uma figura de fluxo de trabalho resumindo o protocolo completo.
  2. Prepare figuras representativas de imagem pareada mostrando versões originais e aprimoradas.
  3. Para cada figura representativa, use uma estrutura de quatro painéis sempre que possível. Coloque a ilustração digitalizada original no painel A; a ilustração aprimorada por IA no painel B; o ROI ampliado da imagem original no painel C; e o ROI ampliado correspondente da imagem aprimorada no painel D.
  4. Use espaçamento consistente, alinhamento, etiquetas e ampliação dos painéis entre painéis originais pareados e aprimorados. Use uma fonte padrão sem serifa em um tamanho consistente e legível para etiquetas de painéis e anotações, e registre a fonte e o tamanho selecionados.
  5. Use setas ou pontas de flecha apenas quando necessário para indicar uma linha, rótulo ou artefato específico, e não adicione setas que impliquem interpretação anatômica não visível na imagem original.
  6. Adicione barras de escala apenas quando a imagem de origem fornecer calibração espacial confiável. Para placas históricas sem uma escala espacial válida, não adicione barras de escala.
  7. Não aplique ajustes adicionais de brilho ou contraste ao preparar os painéis originais e aprimorados. Figuras de exportação a 300 dpi, ou 600 dpi quando trabalhos de linhas finas e rótulos exigem uma exibição de resolução mais alta.
  8. Inclua exemplos de diferentes fontes históricas para demonstrar que o fluxo de trabalho pode ser aplicado entre estilos de desenho variáveis e qualidades de varredura. Inclua pelo menos um exemplo mostrando um resultado de aprimoramento subótimo, como formação artificial de textura ou distorção de texto, para demonstrar as limitações do método.
  9. Exporte figuras como arquivos separados de alta qualidade PDF, TIFF ou JPEG, sem legendas embutidas. Para exportação em PDF, preserve as dimensões da imagem de origem e evite reamostragem ou compressão com perdas.
  10. Forneça as legendas das figuras apenas no arquivo do manuscrito.
  11. Verifique todos os painéis de figuras quanto ao recorte, resolução e completude dos painéis antes de enviar.

9. Documentação e gestão de dados

  1. Armazene as versões original e aprimorada de cada imagem como arquivos pareados para que cada saída aprimorada possa ser rastreada até sua imagem de origem correspondente.
  2. Registre o repositório fonte de cada ilustração, incluindo o nome do arquivo ou repositório, URL estável ou informações de acessão quando disponíveis, status de reutilização e data de acesso.
  3. Registre o método de processamento para cada imagem, incluindo o método de extração, etapa de pré-processamento, software de aprimoramento, versão do software, modelo selecionado, fator de escala, formato de saída e nome final do arquivo.
  4. Registre se cada imagem foi extraída por exportação em PDF ou captura de tela, se o corte foi limitado a margens não informativas e se o aprimoramento usou a configuração fixa de super-resolução 16x.
  5. Preserve os nomes dos arquivos de saída gerados por software sempre que possível, ou atribua nomes estruturados que registrem a identidade da imagem de origem, escala de aprimoramento e formato de saída.
  6. Documente se cada saída aprimorada era tecnicamente aceitável ou subótima. Achados subótimos podem incluir formação artificial de textura, nitidez excessiva, rótulos distorcidos ou alterações de linha visualmente enganosas.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

Comparações representativas de imagens originais e aprimoradas são fornecidas nas figuras do manuscrito. A data de publicação, a proveniência da fonte, as informações do repositório e o status de reutilização foram verificados e documentados para cada uma das 40 ilustrações históricas incluídas neste estudo.

Conjunto de dados de imagens e características da fonte
O protocolo foi aplicado a 40 ilustrações neuroanatômicas históricas digitaliz...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

Este artigo de métodos apresenta um fluxo de trabalho reprodutível para aprimoramento assistido por IA de ilustrações neuroanatômicas históricas digitalizadas. Imagens anatômicas históricas há muito tempo serviram como ferramentas importantes para documentação anatômica, ensino e comunicação científica, e muitas dessas obras agora estão acessíveis por meio de livros digitalizados, arquivos digitalizados e repositórios online. No entanto, seu uso no ensino moderno, apresentações e arquiva...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

Os autores declaram que não têm conflitos de interesse.

Agradecimentos

Os autores reconhecem os repositórios digitais de domínio público e as coleções arquivísticas que oferecem acesso a obras anatômicas históricas digitalizadas. Nenhum apoio financeiro foi recebido para esse estudo.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

```html
Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Adobe AcrobatAdobeVersão não registradaExtração de imagem baseada em PDF
Estação de trabalho de computadorNão relatado nos arquivos enviadosConfiguração não relatadaHardware usado para aprimoramento de imagem assistido por IA local
Configurações de exibição/captura de telaFerramenta de captura de tela do Windows ou equivalenteAmpliação de exibição de 100% ou 200%; escala do monitor registradaExtração baseada em captura de tela padronizada quando a exportação direta de PDF não era viável
GallicaBibliothèque nationale de FranceRepositório onlineFonte de obras históricas digitalizadas
Predefinição geral Photo Real-ESRGANModelo baseado em Upscayl / Real-ESRGANConfiguração de 16xAprimoramento de super-resolução de ilustrações digitalizadas
Google BooksGoogleRepositório onlineFonte de livros históricos digitalizados
Unidade de processamento gráficoNão relatado nos arquivos enviadosModelo e status de aceleração não relatadosAceleração por GPU para aprimoramento de imagem quando ativado
Internet ArchiveInternet ArchiveRepositório onlineFonte de obras históricas digitalizadas de domínio público
Unidade de armazenamento localEstação de trabalho especificada pelo usuárioEspaço de armazenamento livre suficienteArmazenamento de arquivos de imagem original, aprimorada e pronta para figura
Configurações de exportação de PDFAdobe Acrobat ou software de leitura/exportação de PDF equivalenteResolução original incorporada quando disponívelExtração de imagens de fontes PDF digitalizadas sem subamostragem intencional
PhotoScape XMOOII Techv4.1.1Corte conservador e preparação de figuras
Formato de imagem PNG——Formato de saída para imagens aprimoradas
Planilha de registro de processamentoMicrosoft Excel ou software de planilha equivalenteVersão não críticaDocumentação da fonte, método de extração, configuração de aprimoramento, tempo de processamento, nome do arquivo de saída e classificação de QC
Lista de verificação de controle de qualidadeLista de verificação gerada pelo autorNão aplicávelRevisão técnica estruturada para textura artificial, suavização excessiva, distorção de rótulo, espessamento de linha e alterações visuais não suportadas
Memória do sistemaNão relatado nos arquivos enviadosCapacidade de RAM não relatadaMemória disponível para aprimoramento de imagem em grande escala
UpscaylUpscaylv2.11.5Aprimoramento de imagem assistido por inteligência artificial
Wellcome CollectionWellcome CollectionRepositório onlineFonte de obras históricas digitalizadas de domínio público
Wikimedia CommonsWikimedia FoundationRepositório onlineFonte de imagens de domínio público ou compatíveis com reutilização
Sistema operacional WindowsMicrosoftWindows 10Sistema operacional usado para extração e processamento de imagem
Ferramenta de captura de tela do WindowsMicrosoftFerramenta integrada do Windows 10Captura de imagem baseada em captura de tela quando a exportação de PDF não era viável
```

Referências

  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.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Etiquetas

Neuroci nciaEdi o 234Edi o 234Aprimoramento de imagemNeuroanatomiaIlustra es Hist ricasPreserva o Digitalsuper resolu oeduca o anat mica
Fale conosco
Recomendar à biblioteca

Privacidade

Termos de Uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos os direitos reservados.