Yöntem makalesi

Dijital Tarihsel Nöroanatomik İllüstrasyonların Yapay Zeka Destekli Geliştirilmesi İçin Tekrarlanabilir Bir Protokol

DOI:

10.3791/72309

⸱

7 Ağustos 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

Bu makalede

Özet

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

Bu yöntem makalesi, dijitalleştirilmiş tarihsel nöroanatomik illüstrasyonların yapay zeka destekli geliştirilmesi için tekrarlanabilir, kalite kontrollü bir iş akışı sunmaktadır. Protokol, kaynak seçimi, çıkarma, dosya standartlaştırılması, yerel süper çözünürlük işleme, eşleştirilmiş orijinal-geliştirilmiş arşivleme, teknik kalite kontrol incelemesi ve hem kabul edilebilir hem de optimal olmayan çıktıların dokümantasyonunu tanımlar.

Özet

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

Dijitalleştirilmiş tarihsel nöroanatomik illüstrasyonlar, anatomik eğitim, tarihsel akademik çalışmalar ve dijital arşivleme için değerli kaynaklardır. Ancak, öğretim materyali ve akademik sunumda pratik kullanımları genellikle düşük görünür çözünürlük, solma, kağıt renk değişimi, sıkıştırma artefaktları ve ince anatomik çizgi çalışmalarının veya etiketlerin okunabilirliğinin azalması nedeniyle sınırlıdır. Yapay zeka destekli süper çözünürlük, bu dijitalleştirilmiş kopyaların görsel kullanılabilirliğini artırabilir, ancak kontrolsüz geliştirme yapay doku, değişen çizgi sürekliliği, bozulmuş etiketler veya kaynak görüntü tarafından desteklenmeyen görsel olarak makul detaylar da getirebilir. Bu nedenle, tarihsel bilimsel illüstrasyonlara yapay zeka destekli geliştirme uygulanırken standart ve şeffaf prosedürler gereklidir.

Bu makale, dijitalleştirilmiş tarihsel nöroanatomik illüstrasyonların kontrollü geliştirilmesi için adım adım bir iş akışını tanımlar. Protokol, kaynak görüntü seçimi, köken ve yeniden kullanım durumunun belgelenmesi, görüntü çıkarma, muhafazakar ön işleme, sabit ayarlarla yerel süper çözünürlük geliştirme, eşleştirilmiş orijinal geliştirilmiş arşivleme, ilgi alanına dayalı denetim ve yapılandırılmış teknik kalite kontrol dokümantasyonu içerir. Bu iş akışı, öğretim, sunum ve ön görsel inceleme için görsel erişilebilirliği artırmak, her geliştirilmiş çıktı ile orijinal dijitalleştirilmiş kaynak arasında doğrudan yorumlayıcı bir bağlantı sürdürmek amacıyla tasarlanmıştır.

Bu yöntem, orijinal sanat eserlerinin restorasyonu, tarihsel kaynakların doğrulanması veya kayıp anatomik bilgilerin geri kazanılması değil, taranmış dijital çoğaltmaların yardımcı geliştirmesi olarak değerlendirilmelidir. Orijinal ve geliştirilmiş sürümler birlikte arşivlenmeli ve geliştirilmiş çıktılar kullanılmadan önce olası artefaktlar açısından incelenmelidir. Bu protokol, tarihsel nöroanatomik görüntüleri eşleştirilmiş eşlik görselleştirmeleri olarak hazırlamak için pratik, düşük maliyetli ve tekrarlanabilir bir yaklaşım sunarken, anatomik ve tarihsel bütünlük konusunda dikkatli olunmayı korur.

Giriş

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

Tarihsel nöroanatomik illüstrasyonlar, sinir sisteminin görsel belgelenmesi, öğretilmesi ve yorumlanmasında önemli bir rol oynamıştır. Modern nörogörüntülemenin gelişmesinden önce, anatomik plakalar beyin, beyin ventrikülleri, kranial sinirler, damar yapıları ve beyin sapı anatomisi 1,2,3 gözlemlerinin iletilmesi için birincil ortam olarak hizmet vermiştir. Bu eserlerin birçoğu artık dijitalleştirilmiş kitaplar, taranmış arşiv koleksiyonları ve çevrimiçi depolar aracılığıyla erişilebilir durumda. Ancak, dijital tarihsel illüstrasyonların modern öğretim, sunumlar ve dijital arşivlemede doğrudan kullanımı, düşük çözünürlük, solma, kağıt renk değişimi, sıkıştırma artefaktları, tarama ile ilgili bulanıklık ve ince çizgi çalışmalarının veya etiketlerin okunabilirliğininazalması nedeniyle sınırlıdır 4,5,6,7,8.

Yapay zeka destekli görüntü geliştirme ve süper çözünürlüklü yöntemler, bozulmuş veya düşük çözünürlüklü dijitalleştirilmiş görüntülerin görsel kullanılabilirliğini artırmak için pratik bir fırsat sunar. Derin öğrenme tabanlı süper çözünürlüklü algoritmalar, dijital görüntülerde görünür çözünürlüğü artırabilir, kenar tanımını iyileştirebilir ve taramaya bağlı görsel bozulmalarıazaltabilir. 9,10,11,12. Tarihsel nöroanatomik illüstrasyonlar için, bu yöntemler orijinal dijitalleştirilmiş kopyada incelenmesi zor olan ince anatomik çizgileri, etiketleri ve yapısal sınırları netleştirmeye yardımcı olabilir. Buna rağmen, tarihi anatomik imgeler dikkatli olmalıdır. Bu illüstrasyonlar sadece görsel öğretim materyalleri değil, aynı zamanda bilimsel ve tarihsel belgelerdir. Geliştirme, standartlaştırılmış bir iş akışı olmadan uygulandığında çizgi dokusunu değiştirebilir, kenarları abartabilir, gölgelendirmeyi değiştirebilir veya yapay detaylar yaratabilir.

Bu nedenle, tarihsel anatomik illüstrasyonların yapay zeka destekli geliştirilmesi, sınırsız görüntü manipülasyonu olarak değil, kontrollü bir teknik süreç olarak gerçekleştirilmelidir. Tekrarlanabilir bir protokol, kaynak görüntülerin nasıl seçildiğini, köken ve yeniden kullanım durumunun nasıl belgelendiğini, görüntülerin nasıl çıkarılıp standartlaştırıldığını, hangi geliştirme ayarlarının uygulandığını, çıktı dosyalarının nasıl arşivlendiğini ve geliştirilmiş görüntülerin olası artefaktlar açısından nasıl kontrol edildiğini tanımlamalıdır. Orijinal ve geliştirilmiş sürümler, iş akışı boyunca bağlı kalmalıdır; böylece geliştirilmiş çıktı her zaman restorasyon veya tarihsel olarak orijinal bir görüntü olarak değil, işlenmiş dijital bir çoğaltma olarak yorumlanabilir.

Standart bir iş akışı, kaynak seçimi, muhafazakar ön işleme, sabit geliştirme ayarları, eşleştirilmiş orijinal-geliştirilmiş arşivleme ve geliştirilmiş kalite kontrolünü tanımladığı için ad hoc yapay zeka destekli geliştirmeye tercih edilir; çünkü işlenen görüntü kullanılmadan önce kaynak seçimi, muhafazakar ön işleme, sabit geliştirme ayarları, eşleştirilmiş orijinal-geliştirilmiş arşivleme ve geliştirme sonrası kalite kontrolünü tanımlar. Hedef son kullanıcılar arasında anatomistler, beyin cerrahları, tıp eğitimcileri, anatomi tarihçileri, tıbbi illüstratörler ve görsel olarak okunabilir eşlik kopyalarına ihtiyaç duyan dijital arşiv kullanıcıları bulunur; bunlar orijinal kaynağa doğrudan erişimi koruyor.

Bu yöntem makalesi, dijitalleştirilmiş tarihsel nöroanatomik illüstrasyonların yapay zeka destekli geliştirilmesi için adım adım bir protokol sunmaktadır. Temel görüntü işleme dizisi, görüntü hazırlığı, sabit 16× süper çözünürlük geliştirme ve PNG dışına çıkış dahil olmak üzere Şekil 1'de özetlenmiştir. Sonraki protokol adımları arasında eşleştirilmiş orijinal arşivleme, geliştirme sonrası kalite kontrolü, ilgi alanına dayalı görsel inceleme ve başarılı ile optimal olmayan sonuçların belgelenmesi yer alır. Protokol, orijinal sanat eserlerinin restorasyonu veya kayıp anatomik bilgilerin geri kazanılması iddiası için tasarlanmamıştır; aksine, geliştirilmiş görüntü ile orijinal kaynak arasındaki yorumsal ilişkiyi korurken dijitalleştirilmiş çoğaltmaların görsel erişilebilirliğini artırmayı amaçlamaktadır.

Protokol

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

Bu protokol yalnızca dijitalleştirilmiş tarihi nöroanatomik illüstrasyonlara uygulanmakta olup insan katılımcıları, hasta verileri, hayvan denekleri, biyolojik örnekler veya tanımlanabilir kişisel bilgileri içermemiştir; bu nedenle, kurumsal insan-denek araştırma onayı uygulanamadı. Tüm görüntüler kamu malı, izinli veya uygun şekilde lisanslanmış tarihsel kaynaklardan alınmıştır.

1. Kaynak kullanımı değerlendirmeleri

  1. İşleme öncesinde her görselin kaynağını doğrulayın; tarihsel yazar, kaynak başlığı, yaklaşık yayın yılı ve dijital kaynak dahil.
  2. Geliştirilmiş çıktıları, restorasyon edilmiş orijinal sanat eserleri veya kaybedilen anatomik bilgilerin geri getirildiğine dair kanıt olarak değil, işlenmiş dijital çoğaltmalar olarak yorumlayın.
  3. Orijinal ve geliştirilmiş dosyaları birlikte arşivleyin ki işlenen görüntü her zaman doğrudan kaynak görüntüyle karşılaştırılabilir.

2. Dijitalleştirilmiş tarihi nöroanatomik illüstrasyonların seçimi

  1. On altıncı yüzyıldan on dokuzuncu yüzyıla kadar yayımlanmış dijitalleştirilmiş tarihi illüstrasyonları seç.
  2. Beyin, beyin yarımküreleri, gyrus ve sulcus, ventriküler sistem, beyin sapı, kranial sinirler, beyin damarları veya ilgili sinir sistemi anatomisi gibi nöroanatomik yapıları tasvir eden illüstrasyonlar ekleyin.
  3. Yalnızca kaynağı tanımlanabilir ve kamu malı veya yeniden kullanım uyumu olan kaynaklardan elde edilen görüntüleri dahil edin. Seçilen her illüstrasyonun on altıncı ile on dokuzuncu yüzyıllar arasında yayımlandığını ve kökeni ile yeniden kullanım statüsünün dahil edilmeden önce bireysel olarak doğrulandığını teyit etmek.
  4. Çoğaltılmış görüntüler, ciddi şekilde kırpılmış görüntüler, eksik plakalar, modern yeniden çizilmiş reprodüksiyonlar veya kaynak netliği yetersiz olan görüntüler dahil olmak üzere, yüksek kaliteli bir versiyon mevcut olduğunda yaklaşık 1.000 pikselin altında uzun eksen boyutuna sahip kaynak dosyaları, illüstrasyonun yaklaşık %20'sinden fazlasını etkileyen eksik veya kırpılmış anatomik içerik, seçilen bölgede okunamaz etiketler, ciddi sıkıştırma bozuklukları dahil olmak üzere, veya orijinal görüntüyle karşılaştırmayı engelleyen tarama kaynaklı bozulma.
  5. Tarihsel yazarı, kaynak başlığını, yayın yılını, plaka veya sayfa numarasını karşılaştırarak tekrarlanan illüstrasyonları tespit edin; depo meta verileri ve görsel içerik. Tekrarlı taramalar mevcut olduğunda, daha yüksek çözünürlüklü, daha eksiksiz plaka sınırları ve daha net etiketli versiyonu koruyun.
  6. İşleme öncesinde dahil edilen her görüntüye benzersiz bir dosya kimliği atayın.
  7. İş akışı boyunca her görselin eşleştirilmiş orijinal ve geliştirilmiş versiyonlarını koruyun.

3. Dijitalleştirilmiş kaynaklardan görüntü çıkarımı

  1. Dijitalleştirilmiş kaynak dosyayı mevcut en yüksek kaliteli sürümle açın.
  2. Her hedef illüstrasyonu, kaynak taşınabilir belge formatı (PDF) dosyasından dışa aktararak veya doğrudan dışa aktarma mümkün olmadığında dijital kaynaktan yakalayarak elde edin.
  3. PDF tabanlı görüntü çıkarma için PDF okuyucu veya dışa aktarma yazılımı kullanın. Doğrudan dışa aktarma mümkün olmadığında sadece standart bir ekran yakalama aracı kullanın.
  4. PDF tabanlı çıkarma için, mevcut olduğunda orijinal gömülü görüntü çözünürlüğünü kullanın ve dışa aktarma sırasında aşağı samplamadan kaçının. Ekran görüntüsü tabanlı çıkarma için, kaynağı %100 veya %200 büyütme ile gösterin ve ekran çözünürlüğünü, görüntü büyütmesini, monitör ölçeklendirme ayarını ve ortaya çıkan ekran görüntü boyutlarını kaydedin.
  5. Çıkarılan görüntüyü, kaynak bulunabilirliği ve çıkarma yöntemine bağlı olarak Ortak Fotoğrafçı Uzmanları Grubu (JPEG) veya Taşınabilir Ağ Grafikleri (PNG) formatında kaydedin.
  6. Ekstraksiyon sırasında mümkün olduğunca tam anatomik resimi koruyun. Tam illüstrasyon korunamazsa, 2.4. adımdaki hariç tutma kriterlerini uygulayın ve kuşağı belgeleyin.
  7. Ana illüstrasyonun bir parçası olan etiketleri ve tarihsel olarak ilgili işaretleri koruyun. Çıkarma sırasında anatomik yapıları manuel olarak yeniden çizmeyin, yeniden renklendirmeyin, yeniden inşa etmeyin veya rötuş yapmayın.

4. Geliştirmeden önce ön işleme ve dosya standartlaştırması

  1. Geliştirmeden önce çıkarılan her görüntüyü inceleyin.
  2. Sadece bilgilendirici olmayan dış kenarları veya çevre boş alanları kırpın. Kırpma dışında manuel görsel düzeltme yapmayın. Özellikle, iyileştirmeden önce manuel bileme, denoizasyon, yeniden boyama, yeniden çizim, seçici temizlik veya anatomik rötuş uygulamayın.
  3. Sadece muhafazakar görüntü kırpımı ve basit düzen hazırlığı için görüntü düzenleme yazılımı kullanın. Anatomik rötuş yapmayın.
  4. Temel görüntüleri geliştirmeden önce orijinal referans dosyaları olarak korun. İşlemden önce temel görüntü boyutunu ve çözünürlüğünü tek bir tekdüz piksel boyutuna zorlamayın çünkü orijinal kaynak boyutları tarihi plakalar arasında farklılık gösterir.
  5. Her önceden işlenen dosyanın orijinal kaynak görüntünün sadık dijitalleştirilmiş bir kopyası olarak kaldığını doğrulayın, ardından yapay zeka destekli geliştirmeye geçin.

5. Yapay zeka destekli geliştirme

  1. Yerel olarak kurulan yapay zeka tabanlı görüntü yükseltme yazılımında standart giriş görüntüsünü açın.
  2. Toplu işlem özel olarak gerekmedikçe tek görüntü işleme modunu kullanın.
  3. Giriş görüntüsünü Select Image fonksiyonunu kullanarak seçin.
  4. İşlemden önce sabit bir süper çözünürlüklü model veya ön ayar seçin ve dahil edilen tüm görüntüler için aynı modeli kullanın.
  5. Bu iş akışında kullanılan sabit ayarı yeniden oluşturmak için görüntü ölçeğini 16x'e ayarlayın ve varsayılan yazılım parametrelerinin manuel olarak değiştirilmediğini kaydedin. Seçilen ölçeği optimize edilmiş veya alternatif ölçek faktörlerinden üstün olarak yorumlamayın.
  6. İş akışı boyunca tutarlılığı korumak için dahil edilen tüm görseller için aynı geliştirme ayarlarını kullanın.
  7. Çıkış klasörünü giriş görseli ile aynı dizine veya önceden tanımlanmış bir proje çıktı klasörüne ayarlayın ve mümkün olduğunda orijinal dosyaların yanlışlıkla üzerine yazılmasını önlemek için ayrı bir çıktı dizini kullanın.
  8. Geliştirmeyi, 13. nesil 16 çekirdekli, 24 iş parçacıklı mobil merkezi işlemci birimi, 8 GB grafik belleğe sahip özel bir dizüstü bilgisayar grafik işlemci ünitesi ve 32 GB RAM ile donatılmış bir bilgisayarda gerçekleştirin. Görüntü işleme sırasında grafik işlem birimi (GPU) hızlandırmasını etkinleştirerek işlem süresini giriş görüntü boyutlarına bağlı olarak yaklaşık 3 dakikaya indirin.
    NOT: Yazılım ve model dosyaları yerel olarak kurulduktan sonra internet erişimi gerekmeyecektir.
  9. Geliştirme işlemini yazılımın geliştirme veya başlatma işlemi komutunu kullanarak çalıştırın.
  10. Geliştirilmiş çıktıyı PNG formatında dışa aktarın.
  11. Mümkün olduğunda yazılım tarafından oluşturulan otomatik çıktı dosya adını koruyun veya kaynak görüntü kimliğini, geliştirme ölçeğini ve çıktı formatını kaydeden yapılandırılmış bir dosya adı atayın.
    NOT: Yapay zeka geliştirmeden sonra anatomik detayları manuel olarak yeniden çizmeyin, rötuşlamayın, yeniden renklendirmeyin veya seçici olarak düzeltmeyin.
  12. Geliştirilmiş PNG dosyasını orijinal temel görüntüyle birlikte arşivleyin.

6. Geliştirme sonrası kalite kontrol incelemesi

  1. Her geliştirilmiş görüntüyü ilgili orijinal görüntüyle birlikte açın. Geliştirilmiş dosyanın tamamen oluşturulduğunu ve dosya bozulması veya eksik dışa aktarma gerçekleşmediğini doğrulayın.
  2. Geliştirilmiş görüntüyü, düşük ve yüksek büyütmedeki orijinal görüntüyle karşılaştırın. Geliştirmenin çizgi çalışmalarının, anatomik konturların, etiketlerin ve taranmış detayların görünürlüğünü iyileştirip iyileştirmediğini kontrol edin.
  3. Yapılandırılmış bir teknik kalite kontrol listesi uygulayın. Bu kontrol listesi, resmi bir uzman-değerlendirme doğrulama çalışması değil, bir dokümantasyon adımıdır.
  4. Özellikle aşağıdaki geliştirme ile ilgili sorunlar için çıktıyı inceleyin: yapay doku oluşumu; aşırı keskinleşme, kalınlaşmış ince çizgiler, abartılı kağıt tanesi veya orijinal görüntüye göre daha belirgin görünen kenarlar; harflerin veya etiketlerin çarpıtılması; ayrı hatlar arasında sahte süreklilik; ince anatomik çizgilerin kalınlaşması; abartılı kağıt dokusu; ve orijinal görüntüyle açıkça desteklenmeyen yapılar.
  5. Her çıktıyı teknik olarak kabul edilebilir veya optimal olmayan olarak sınıflandırın.
    1. Anatomik konturlar, etiketler ve tarihsel işaretler orijinal dijitalleştirilmiş görüntüyle görsel olarak tutarlı kalırsa bir çıktıyı teknik olarak kabul edilebilir olarak düşünün.
    2. Eğer geliştirme yanıltıcı doku, bozuk metin, yapay çizgi oluşumu veya tarihsel görünümün aşırı değiştirilmesine yol açıyorsa, çıktıyı optimal olmayan olarak değerlendirin. Yöntemin sınırlamalarını gösteren optimal olmayan çıktıları dokümantasyon için tutun.
  6. Orijinal görüntüyü geliştirilmiş görüntüyle değiştirmeyin. Geliştirilmiş görüntüyü yalnızca işlenmiş bir eşlik versiyonu olarak kullanın.

7. Eşleştirilmiş karşılaştırma için ilgi alanı seçimi

  1. Orijinal ve geliştirilmiş tam görüntüler arşivlendikten sonra her görüntü çiftinden manuel olarak bir veya daha fazla temsil eden ilgi alanı (ROI) seçin. Nöroanatomik görselleştirme üzerindeki geliştirmenin pratik etkisini gösteren bölgeleri seçin. Ventriküler yapılar, gyrus ve sulcuslar, damar çizgi çalışmaları, beyin sapı konturları, kranial sinirle ilgili detaylar veya küçük etiketler gibi görsel olarak karmaşık veya derinlik açısından zengin anatomik detaylara sahip bölgeleri tercih edin. Sadece görsel olarak en iyi bölgeleri seçmekten kaçının; Geliştirmenin güçlü ve sınırlarını adil şekilde temsil eden bölgeleri dahil edin.
  2. Seçilen her bölge için, orijinal ve geliştirilmiş görüntülerden aynı anatomik alanı aynı orantılı koordinatlarla kesin. Farklı görüntü boyutları nedeniyle tam koordinat eşleşmesi mümkün değilse, ayarlamayı belgeleyin. Görüntü genişliği ve yüksekliğinin yaklaşık %10–%20'si arasında bir yatırım getirisi kalın; yalnızca gerekli olduğunda her iki panelde aynı anatomik yapı veya etiketi dahil edilecek şekilde ayarlanır.
  3. Orijinal ve geliştirilmiş ROI panellerinin aynı anatomik alanı gösterdiğinden emin olun. Kırpıştan sonra ROI panellerine ek keskinleştirme, kontrast ayarlama veya manuel düzeltme uygulamayın.
  4. ROI panellerini sadece güçlendirme etkisinin görsel gösterimi için kullanın, bağımsız uzman değerlendirme materyali olarak değil.

8. Temsilci figürlerin hazırlanması

  1. Protokolün tamamını özetleyen bir iş akışı şekli hazırlayın.
  2. Orijinal ve geliştirilmiş versiyonları gösteren temsilci eşleştirilmiş görüntü şekilleri hazırlayın.
  3. Her temsilci görüntü figürü için mümkün olduğunda dört panelli bir yapı kullanın. Orijinal dijitalleştirilmiş illüstrasyonu panel A'ya yerleştirin; panel B'deki yapay zeka ile geliştirilmiş illüstrasyon; C panelindeki orijinal görüntüden elde edilen büyütülmüş yatırım getirisi; ve panel D'deki geliştirilmiş görüntüden elde edilen eşleşen büyütülmüş yatırım getirisi.
  4. Eşleştirilmiş orijinal paneller arasında tutarlı panel aralığı, hizalama, panel etiketleri ve büyütme kullanın. Panel etiketleri ve notlar için tutarlı, okunabilir bir boyutta standart sans-serif font kullanın ve seçilen font ile boyutu kaydedin.
  5. Okları veya ok uçlarını yalnızca belirli bir çizgiyi, etiketi veya eseri belirtmek için gerektiğinde kullanın ve orijinal görüntüde görünmeyen anatomik yorumu ima eden oklar eklemeyin.
  6. Ölçek çubukları yalnızca kaynak görüntü güvenilir mekansal kalibrasyon sağladığında ekleyin. Geçerli bir mekânsal ölçeği olmayan tarihi levhalar için ölçek çubukları eklemeyin.
  7. Eşleştirilmiş orijinal ve geliştirilmiş panelleri hazırlarken ek parlaklık veya kontrast ayarlamaları uygulamayın. İnce çizgi çalışmaları ve etiketler daha yüksek çözünürlüklü ekran gerektirdiğinde rakamları 300 dpi veya 600 dpi olarak dışa aktarmak.
  8. Farklı tarihsel kaynaklardan örnekler ekleyin; bu iş akışının değişken çizim stilleri ve tarama kaliteleri arasında uygulanabileceğini gösterin. Yöntemin sınırlamalarını göstermek için yapay doku oluşumu veya metin bozulması gibi optimal olmayan bir iyileştirme sonucunu gösteren en az bir örnek ekleyin.
  9. Figürleri, gömülü kısalık olmadan ayrı yüksek kaliteli PDF, TIFF veya JPEG dosyaları olarak dışa aktarın. PDF dışa aktarma için, kaynak görüntü boyutlarını koruyun ve aşağı sempling'den veya kayıplı sıkıştırmadan kaçının.
  10. Figür efsanelerini yalnızca el yazması dosyasında verin.
  11. Göndermeden önce tüm şekil panellerinde kırpma, çözünürlük ve panel tamlığı kontrol edin.

9. Dokümantasyon ve veri yönetimi

  1. Her görselin orijinal ve geliştirilmiş sürümlerini eşleştirilmiş dosyalar halinde saklayarak her geliştirilmiş çıktının karşılık gelen kaynak görüntüye geri izlenebileceği şekilde saklanın.
  2. Her illüstrasyon için kaynak deposunu kaydedin; arşiv veya depo adı, mevcut olduğunda stabil URL veya erişim bilgileri, tekrar kullanım durumu ve erişim tarihi dahil olmak üzere.
  3. Her görüntü için işlem yöntemini, çıkarma yöntemi, ön işleme adımı, geliştirme yazılımı, yazılım sürümü, seçilmiş model, ölçek faktörü, çıktı formatı ve nihai dosya adını kaydedin.
  4. Her görselin PDF dışa aktarma veya ekran görüntüsü yakalama ile çıkarılmış mı, kırpımın bilgilendirici olmayan marjlarla sınırlı mı olduğunu ve geliştirmenin sabit 16x süper çözünürlük ayarını kullanıp kullanmadığını kaydedin.
  5. Mümkün olduğunda yazılım tarafından oluşturulan çıktı dosya isimlerini koruyun veya kaynak görüntü kimliğini, geliştirme ölçeğini ve çıktı formatını kaydeden yapılandırılmış dosya adları atayın.
  6. Her geliştirilmiş çıktının teknik olarak kabul edilebilir mi yoksa optimal olmayan mi olduğunu belgeleyin. Optimal olmayan bulgular arasında yapay doku oluşumu, aşırı keskinleşme, bozuk etiketler veya görsel olarak yanıltıcı çizgi değişiklikleri olabilir.

Sonuçlar

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

El yazması şekillerinde temsil eden orijinal ve geliştirilmiş görsel karşılaştırmaları sağlanmıştır. Bu çalışmada yer alan 40 tarihi illüstrasyonun her biri için yayın tarihi, kaynak kaynağı, depo bilgileri ve yeniden kullanım durumu doğrulandı ve belgelendi.

Görüntü veri seti ve kaynak özellikleri
Protokol, 40 dijitalleştirilmiş tarihi nöroanatomik illüstrasyona uygulandı. Her illüstrasyonun yayımlanma tarihi, kökeni ve yeniden kullanım durumu, dahil edilmeden önce bireysel olarak doğrulanmış ve seçilen tüm illüstrasyonlar on altıncı ile on dokuzuncu yüzyıllar arasında yayımlanan eserlerden gelmiştir. Dahil edilen illüstrasyonlar, kortikal yüzey anatomisi, beyin girusları ve sulkusları, ventriküler yapılar, beyin sapı bölgeleri, kranial sinirle ilgili anatomi ve damar özellikleri gibi çeşitli nöroanatomik konuları temsil etmiştir. Görüntüler, kamu malı olan, izinle onaylanmış veya yeniden kullanıma uygun dijitalleştirilmiş tarihsel kaynaklardan elde edilmiştir; Tüm 40 illüstrasyon için depo bilgileri ve yeniden kullanım durumu ayrı ayrı belgelendi.

Orijinal dijitalleştirilmiş kopyalar, düşük görünür çözünürlük, solmuş çizgi çalışması, arka plan renk değişimi, taramayla ilgili bulanıklık, sıkıştırma artefaktları ve küçük etiketlerin okunabilirliğinin azalması gibi tarihsel materyallerde karşılaşılan yaygın sınırlamaları gösterdi. Bu sınırlamalar, standartlaştırılmış geliştirme iş akışının uygulanması için pratik test örnekleri sağladı. Orijinal geliştirilmemiş görüntüler, temel dosyalar olarak korundu ve iş akışı boyunca ilgili geliştirilmiş çıktılarla eşleştirildi.

Geliştirme iş akışının teknik çıktısı
Tüm 40 temel görüntü, sabit geliştirme ayarlarıyla aynı yerel olarak kurulmuş yapay zeka destekli görüntü yükseltme yazılımı kullanılarak işlendi. Tüm dahil edilen görüntülere tutarlı şekilde 16x süper çözünürlüklü bir ön ayar uygulandı ve geliştirilmiş çıktılar PNG formatında dışa aktarıldı. Geliştirmeden önce veya sonra manuel yeniden çizim, yeniden renklendirme, seçici düzeltme veya anatomik rötuş yapılmadı. İşleme, 13. nesil 16 çekirdekli, 24 iş parçacıklı mobil merkezi işlemci birimi, 8 GB grafik belleğe sahip özel bir dizüstü bilgisayar grafik işlemci ünitesi ve 32 GB RAM ile donatılmış bir bilgisayarda gerçekleştirildi; grafik işlem birimi hızlandırması etkinleştirildi. İşlem süresi, giriş görüntü boyutlarına bağlı olarak yaklaşık 3 dakika idi.

Geliştirilmiş görüntüler genellikle daha yüksek belirgin keskinlik, daha güçlü çizgi tanımı, anatomik çizgi çalışması ile arka plan arasındaki daha net ayrım ve küçük anatomik veya metinsel detayların algılanmasını artırdı. Bu etkiler en çok solmuş mürekkeb, düşük kontrast veya tarama ile ilgili bulanıklık içeren görüntülerde belirgindi. Bu geliştirme, orijinal tarihi sanat eserlerinin restorasyonu yerine dijitalleştirilmiş kopyaların teknik işlenmesi olarak yorumlandı.

İş akışının pratik bir sınırlaması, çıktı dosya boyutundaki önemli artıştı. Bazı durumlarda, yaklaşık 1 MB dosyalar 16 kat geliştirmeden sonra 200 MB'den fazla olurdu. Bu nedenle, iş akışını daha büyük görüntü koleksiyonlarına uygularken depolama kapasitesi, dosya yönetimi ve şekil hazırlama dikkate alınmalıdır.

Temsilci başarılı geliştirme sonuçları
Temsil eden çift örnekler, protokolün farklı kaynaklar ve dönemlerden alınan tarihsel nöroanatomik illüstrasyonlar üzerindeki pratik etkisini göstermiştir (Şekil 2, Şekil 3, Şekil 4 ve Şekil 5). Başarılı örneklerde, geliştirilmiş görüntüler daha net anatomik konturlar, ince çizgi çalışmalarının daha fazla sürekliliği ve kortikal giri, ventriküler yapılar, damar hatları ve beyin sapı ile ilgili detaylar dahil olmak üzere karmaşık bölgelerin algılanan görünürlüğünün arttığını gösterdi.

Eşleştirilmiş figür formatı, orijinal ve geliştirilmiş versiyonlar arasında doğrudan karşılaştırma yapılmasına olanak tanıyordu. Düşük büyütmede en belirgin gelişmeler küresel netlik, kontrast ve okunabilirlikti. Daha yüksek büyütmede, çizgi sürekliliği, kenar tanımı ve küçük etiket görünürlüğündeki farklılıklar daha belirgin hale geldi. İlgi alanlarının eşleştirilmesi, anatomik olarak ilgili detaylar üzerindeki geliştirmenin yerel etkisini göstermek için faydalıydı.

Orijinal görüntü tüm durumlarda yorum için vazgeçilmez kaldı. Bu nedenle geliştirilmiş görüntüler, orijinal tarihsel kaynağın yerine değil, eşlik eden işlenmiş görüntüler olarak sunulmalıdır.

Optimal olmayan iyileştirme sonuçları ve kalite kontrol bulguları
İş akışı çoğu temsil örnekte teknik olarak kabul edilebilir çıktılar üretse de, kalite kontrol incelemesi sırasında birkaç sınırlama gözlemlendi. Bazı görüntülerde, geliştirme işlemi yapay doku, abartılı kağıt daneleri veya çarpıtılmış küçük harfler ve etiketler artışına yol açtı. Diğer durumlarda, ince çizgiler orijinal görüntüye göre aşırı keskinleşmiş veya görsel olarak daha kalın görünüyordu.

Bu optimal olmayan sonuçlar, ciddi başlangıç bozulmasına, düşük kaynak çözünürlüğüne, yoğun etiketleme veya belirgin kağıt dokusuna sahip görüntülerde daha fazla ortaya çıkma olasılığı yüksekti. Bu tür bulgular, iyileştirmeden sonra orijinal görüntüyle doğrudan karşılaştırma ihtiyacını ortaya koymaktadır. Ayrıca, eğitim materyallerinde, sunumlarda veya akademik figürlerde geliştirilmiş görsellerin kullanılmasından önce bir kalite kontrol adımını destekler. Bu yapılandırılmış inceleme, resmi bir uzman-değerlendirme doğrulama çalışması olarak değil, teknik kalite kontrol dokümantasyonu olarak kullanıldı.

Yöntemin sınırlamalarını göstermek için Şekil 6 olarak bir suboptimal örnek yer almaktadır. Bu özellikle önemlidir çünkü yapay zeka destekli geliştirme, görsel netliği artırabilirken aynı zamanda gerçek tarihsel veya anatomik detay olarak karıştırılabilecek değişiklikler yaratabilir.

Geliştirilmiş çıktıların önerilen yorumu
Bu protokolün sonuçları, teknik fizibilite ve iş akışı tekrarlanabilirliğinin bir gösterimi olarak yorumlanmalıdır. Bu yöntem, özellikle orijinal dijitalleştirilmiş görüntü bulanıklık, solma veya çizgi netliği azaldığında, dijitalleştirilmiş tarihi nöroanatomik illüstrasyonların algılanan görsel erişilebilirliğini artırabilir. Ancak, geliştirilmiş çıktılar orijinal sanat eserinin restorasyonunu, kayıp bilgilerin geri kazanılmasını veya anatomik doğruluğu sağlamaz.

Öğretim, sunum veya arşiv görüntüleme için, geliştirilmiş görüntü orijinal dijitalleştirilmiş kaynağın yanında veya açıkça bağlanmış şekilde gösterilmelidir. Bu eşleştirilmiş yaklaşım, tarihsel şeffaflığı korur ve geliştirme ile ilgili değişikliklerin aşırı yorumlanma riskini azaltır. Bu nedenle protokol, tarihsel kaynak materyali değiştirmek için değil, dijitalleştirilmiş kopyalar için kontrollü bir görsel geliştirme iş akışı olarak en uygunudur.

figure-results-1
Şekil 1: Dijitalleştirilmiş tarihi nöroanatomik illüstrasyonların yapay zeka destekli geliştirmesi için iş akışı. Şematik, dijital depolardan görüntü edinimi, görüntü hazırlama, sabit 16× yapay zeka destekli geliştirme ve geliştirilmiş görüntünün sonraki değerlendirme ve dokümantasyon için dışa aktarılmasını özetlemektedir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-results-2
Şekil 2: Vesalius'tan dijitalleştirilmiş tarihi nöroanatomik bir illüstrasyonun temsil geliştirmesi. İllüstrasyon, Andreas Vesalius13 tarafından yazılmış De humani corporis fabrica libri septem'in dijitalleştirilmiş tarihi kaynağından alınmıştır. (A) Geliştirmeden önce orijinal dijitalleştirilmiş illüstrasyon. (B) Aynı illüstrasyonun süper çözünürlüklü geliştirilmiş versiyonu. (C) Orijinal görüntüden büyütülmüş ilgi alanı. (D) Geliştirilmiş görüntüden eşleşen büyütülmüş ilgi bölgesi. Kırmızı kutular, C ve D panellerinde büyütülmüş bölgeleri gösterir. Eşleştirilmiş karşılaştırma, orijinal dijitalleştirilmiş görüntüyle doğrudan karşılaştırma imkanı sunarken, daha fazla algılanan çizgi tanımı, kontrast ve görsel netlik gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-results-3
Şekil 3: Steno'dan dijitalleştirilmiş tarihi nöroanatomik bir illüstrasyonun temsil geliştirmesi. İllüstrasyon, Nicolas Steno14 tarafından yazılmış Discours de Monsieur Stenon sur l'anatomie du cerveau'nun dijitalleştirilmiş tarihsel kaynağından alınmıştır. (A) Geliştirmeden önce orijinal dijitalleştirilmiş illüstrasyon. (B) Aynı illüstrasyonun süper çözünürlüklü geliştirilmiş versiyonu. (C) Orijinal görüntüden büyütülmüş ilgi alanı. (D) Geliştirilmiş görüntüden eşleşen büyütülmüş ilgi bölgesi. Kırmızı kutular, C ve D panellerinde büyütülmüş bölgeleri gösterir. Geliştirilmiş görüntü, ince çizgi çalışmalarının daha fazla görünürlüğünü ve taramaya bağlı görsel bozulmanın azaldığını gösteriyor. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-results-4
Şekil 4: Rolando'dan dijitalleştirilmiş tarihi nöroanatomik bir illüstrasyonun temsili geliştirmesi. İllüstrasyon, Luigi Rolando15 tarafından yazılmış Della struttura degli emisferi cerebrali'nin dijitalleştirilmiş tarihi kaynağından alınmıştır. (A) Geliştirmeden önce orijinal dijitalleştirilmiş illüstrasyon. (B) Aynı illüstrasyonun süper çözünürlüklü geliştirilmiş versiyonu. (C) Orijinal görüntüden büyütülmüş ilgi alanı. (D) Geliştirilmiş görüntüden eşleşen büyütülmüş ilgi bölgesi. Kırmızı kutular, C ve D panellerinde büyütülmüş bölgeleri gösterir. Karşılaştırma, kortikal yüzey detaylarının ve anatomik çizgi sürekliliğinin artırıldığı şekilde daha fazla görünürlüğünü göstermektedir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-results-5
Şekil 5: Vicq d'Azyr'dan dijitalleştirilmiş tarihi nöroanatomik bir illüstrasyonun temsil geliştirmesi. İllüstrasyon, Félix Vicq d'Azyr16 tarafından yazılmış Traité d'anatomie et de physiologie adlı dijitalleştirilmiş tarihsel kaynaktan alınmıştır. (A) Geliştirmeden önce orijinal dijitalleştirilmiş illüstrasyon. (B) Aynı illüstrasyonun süper çözünürlüklü geliştirilmiş versiyonu. (C) Orijinal görüntüden büyütülmüş ilgi alanı. (D) Geliştirilmiş görüntüden eşleşen büyütülmüş ilgi bölgesi. Kırmızı kutular, C ve D panellerinde büyütülmüş bölgeleri gösterir. Eşleştirilmiş paneller, tarihi bir anatomik plakada daha fazla algılanan kontrast ve detay görünürlüğü gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-results-6
Şekil 6: Arnold'dan dijitalleştirilmiş tarihsel nöroanatomik bir illüstrasyonda yeteroptimal yapay zeka destekli geliştirme sonucu. İllüstrasyon, Friedrich Arnold17 tarafından Tabulae anatomicae'nin dijitalleştirilmiş tarihi kaynağından alınmıştır. (A) Geliştirmeden önce orijinal dijitalleştirilmiş illüstrasyon. (B) Aynı illüstrasyonun süper çözünürlüklü geliştirilmiş versiyonu. (C) Orijinal görüntüden büyütülmüş ilgi alanı. (D) Geliştirilmiş görüntüden eşleşen büyütülmüş ilgi bölgesi. Kırmızı kutular, C ve D panellerinde büyütülmüş bölgeleri gösterir. Geliştirilmiş görüntü, yapay kağıt dokusu, aşırı keskinleşme, küçük etiketlerin kısmi bozulması ve görsel olarak kalınlaştırılmış çizgi çalışması gibi yöntemle ilgili sınırlamalar gösteriyor. Bu örnek, geliştirilmiş görüntülerin neden orijinal kaynakla eşleştirilmesi ve kullanımdan önce kalite kontrol denetiminden geçmesi gerektiğini göstermektedir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Tartışma

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

Bu yöntem makalesi, dijitalleştirilmiş tarihsel nöroanatomik illüstrasyonların yapay zeka destekli geliştirilmesi için tekrarlanabilir bir iş akışı sunmaktadır. Tarihi anatomik görüntüler uzun süredir anatomik dokümantasyon, öğretim ve bilimsel iletişim için önemli araçlar olarak hizmet etmiş ve bu eserlerin birçoğu artık dijitalleştirilmiş kitaplar, taranmış arşivler ve çevrimiçi depolar aracılığıyla erişilebilir durumda. Ancak, modern öğretim, sunumlar ve dijital arşivlemede kullanımları genellikle düşük görünür çözünürlük, solgun çizgi çalışması, arka plan renk değişimi, tarama ile ilgili bulanıklık, sıkıştırma artefaktları ve küçük etiketlerin 12,18,19,20 okunabilirliğinin azalması nedeniyle sınırlıdır.

Protokolün temel gücü sadeliği ve tekrarlanabilirliğidir. Protokol, yeni bir süper çözünürlük algoritması tanıtmak veya geliştirilmiş görüntülerin kaynak görüntülerden daha tarihsel olarak daha özgün olduğunu iddia etmek amacıyla tasarlanmamıştır. Bunun yerine, bu katkı, kontrolsüz, geçici geliştirme riskini azaltan temkinli bir iş akışının standartlaştırılmasıdır. İş akışı, kamu malı veya yeniden kullanıma uygun dijital kaynaklar, muhafazakar kırpma ve erişilebilir bir görüntü yükseltme uygulamasında sabit bir geliştirme ayarı kullanır. Aynı 16x süper çözünürlüklü ön ayar tüm görüntülere uygulandı ve manuel anatomik rötuş, yeniden çizim, yeniden renk değiştirme veya seçici düzeltme yapılmadı. Bu önemlidir çünkü tarihsel nöroanatomik illüstrasyonlar sıradan dijital görüntüler değildir; Bunlar bilimsel, eğitimsel, sanatsal ve tarihsel belgelerdir. Bu nedenle, geliştirme, orijinal sanat eserinin restorasyonu veya kaybedilen anatomik bilgilerin geri getirildiğine dair kanıt olarak değil, dijitalleştirilmiş bir çoğaltmanın işlenmesi olarak yorumlanmalıdır(19,21,22).

Yapay zeka destekli görüntü geliştirme ve süper çözünürlük yöntemleri, zayıf veya düşük çözünürlüklü görüntülerde görünür çözünürlük, kenar tanımı, kontrast ve görsel erişilebilirliği artırabilir. Başarılı örneklerde, mevcut iş akışı ince anatomik çizgi çalışmaları, kortikal ve ventriküler konturlar, damar detayları, beyin sapı ile ilgili yapılar ve küçük etiketler konusunda daha fazla algılanan görünürlük sağlamıştır. Bu değişiklikler, dersler, eğitim figürleri, dijital arşivler veya akademik sunumlar için tarihsel nöroanatomik illüstrasyonlar hazırlanırken faydalı olabilir. Ancak, orijinal görüntü referans kaynağı olarak kullanılabilir kalmalı ve geliştirilmiş görüntüler, 9,23,24 yerine işlenmiş eşlik edilmiş görüntüler olarak kullanılmalıdır.

Geliştirme sonrası kalite kontrolü, protokolde önemli bir adımdır. Yapay zeka destekli geliştirme, özellikle ciddi başlangıç bozulması, yoğun etiketleme, düşük kaynak çözünürlüğü veya belirgin kağıt dokusu olan görüntülerde bazen optimal olmayan sonuçlar verebilir. Olası sorunlar arasında yapay doku oluşumu, aşırı keskinleşme, ince çizgilerin kalınlaşması, küçük harflerin bozulması ve görsel olarak yanıltıcı çizgi sürekliliğindeki değişiklikler yer alır. Bu riskler, görsel gerçekliğin mutlaka anatomik doğruluğu garanti etmediği yapay zeka tarafından üretilen veya yapay zeka modifiye edilmiş tıbbi illüstrasyonların anatomik güvenilirliğine dair daha geniş endişelerle uyumludur. Bu nedenle, her geliştirilmiş çıktı 12,25,26 kullanımından önce orijinal dijitalleştirilmiş kaynakla doğrudan karşılaştırılmalıdır.

Bu protokolün birkaç sınırlaması vardır. Birincisi, geliştirilmiş çıktının kalitesi kaynak görüntünün kalitesine büyük ölçüde bağlıdır. Ciddi şekilde bozulmuş, eksik veya kötü taranmış görüntüler güvenilir çıktılar veremeyebilir. İkinci olarak, 16x geliştirme çıktı dosya boyutunu önemli ölçüde artırabilir ve bu da depolama, aktarım ve şekil hazırlamayı zorlaştırabilir. Seçilen 16x ölçek alternatif ölçek faktörleriyle karşılaştırılmadı ve optimal olarak yorumlanmamalıdır. Üçüncü olarak, bu makale nesnel görüntü kalitesi ölçütleri, uzman puanları veya eğitim sonuç verileri sunmaz. Bunun yerine, mevcut protokol yapılandırılmış teknik kalite kontrol dokümantasyonu sağlar ve geliştirilmiş görüntüleri orijinal tarihsel kaynakların doğrulanmış yerine eşlik görselleştirmeler olarak açıkça çerçeveler. Amaç, diğer geliştirme algoritmalarına karşı üstünlüğünü kanıtlamak veya öğrenme sonuçlarını ölçmek yerine standartlaştırılmış teknik bir iş akışını tanımlamaktır.

Gelecekteki çalışmalar, keskinlik, kontrast, kenar koruma, metin okunabilirliği, dosya boyutu ve işlem süresi gibi farklı geliştirme modellerini, ölçek faktörlerini ve nesnel görüntü kalitesi metriklerini karşılaştırabilir. Eğitim çalışmaları ayrıca geliştirilmiş tarihsel görüntülerin öğrenci katılımını veya anatomik anlayışı iyileştirip iyileştirmediğini de değerlendirebilir. Mevcut haliyle protokol, dijital tarihsel nöroanatomik illüstrasyonların görsel erişilebilirliğini artırmak için pratik ve tekrarlanabilir bir yaklaşım sunarken, kaynak şeffaflığını ve yorumlama temkinini korumaktadır. Geliştirilmiş görüntü, orijinal kaynağa işlenmiş dijital bir eşlik olarak kabul edilmelidir, bağımsız bir anatomik referans olarak değil.

Açıklamalar

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

Yazarlar, çıkar çatışmaları olmadığını belirtirler.

Teşekkürler

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

Yazarlar, dijitalleştirilmiş tarihi anatomik eserlere erişim sağlayan kamu malı dijital depoları ve arşiv koleksiyonlarını kabul etmektedir. Bu çalışma için herhangi bir maddi destek alınmadı.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Adobe AcrobatAdobeVersiyon kaydedilmediPDF tabanlı görüntü çıkarma
Bilgisayar iş istasyonuSunulan dosyalarda bildirilmemiştirYapılandırma bildirilmemiştirYerel AI destekli görüntü geliştirme için kullanılan donanım
Ekran/ekran görüntüsü ayarlarıWindows ekran yakalama aracı veya eşdeğeri%100 veya %200 ekran büyütme; monitör ölçeği kaydedildiDoğrudan PDF dışa aktarma mümkün olmadığında standartlaştırılmış ekran görüntüsü tabanlı çıkarma
GallicaBibliothèque nationale de FranceÇevrimiçi depoDijital hale getirilmiş tarihi eserlerin kaynağı
Genel Fotoğraf Real-ESRGAN önayarıUpscayl / Real-ESRGAN tabanlı model16x ayarıDijital hale getirilmiş çizimlerin süper çözünürlüklü iyileştirilmesi
Google KitaplarGoogleÇevrimiçi depoDijital hale getirilmiş tarihi kitapların kaynağı
Grafik işleme birimiSunulan dosyalarda bildirilmemiştirModel ve hızlandırma durumu bildirilmemiştirEtkinleştirildiğinde görüntü büyütme için GPU hızlandırması
Internet ArchiveInternet ArchiveÇevrimiçi depoKamu malı olan dijital hale getirilmiş tarihi eserlerin kaynağı
Yerel depolama sürücüsüKullanıcı tarafından belirlenen iş istasyonuYeterli boş depolama alanıOrijinal, iyileştirilmiş ve şekil hazır görüntü dosyalarının depolanması
PDF dışa aktarma ayarlarıAdobe Acrobat veya eşdeğer PDF okuyucu/dışa aktarma yazılımıMevcutsa orijinal gömülü çözünürlükDijital hale getirilmiş PDF kaynaklarından istenmeyen indirgeme olmadan görüntü çıkarma
PhotoScape XMOOII Techv4.1.1Muhafazakar kırpma ve şekil hazırlığı
PNG görüntü formatı——Geliştirilen görüntüler için çıkış formatı
İşleme log tablosuMicrosoft Excel veya eşdeğer tablo yazılımıVersiyon kritik değilKaynak, çıkarma yöntemi, iyileştirme ayarı, işleme süresi, çıkış dosya adı ve QC sınıflandırmasının belgelendirilmesi
Kalite kontrol kontrol listesiYazar tarafından oluşturulan kontrol listesiUygulanmazYapay doku, aşırı keskinleştirme, etiket bozulması, çizgi kalınlaşması ve desteklenmeyen görsel değişiklikler için yapılandırılmış teknik inceleme
Sistem belleğiSunulan dosyalarda bildirilmemiştirRAM kapasitesi bildirilmemiştirYüksek ölçekli görüntü iyileştirme için kullanılabilen bellek
UpscaylUpscaylv2.11.5Yapay zeka destekli görüntü büyütme
Wellcome CollectionWellcome CollectionÇevrimiçi depoKamu malı olan dijital hale getirilmiş tarihi eserlerin kaynağı
Wikimedia CommonsWikimedia FoundationÇevrimiçi depoKamu malı veya yeniden kullanım uyumlu görüntülerin kaynağı
Windows işletim sistemiMicrosoftWindows 10Görüntü çıkarma ve işleme için kullanılan işletim sistemi
Windows ekran yakalama aracıMicrosoftWindows 10 yerleşik aracıPDF dışa aktarma mümkün olmadığında ekran görüntüsü tabanlı görüntü yakalama

Kaynaklar

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

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

SinirbilimSay 234Say 234G r nt iyile tirmeN roanatomiTarihi ll strasyonlarDijital Korumas per z n rl kanatomik e itim

İlgili makaleler