ارزیابی تحلیل ریشه ناشی از ارتودنسی با استفاده از توموگرافی محاسبه ای اشعه مخروطی و توموگرافی- محاسبه شده میکرو

Evaluation of orthodontically induced root resorption using con-beam computed tomography and micro computed tomography

چکیده
1 مقدمه
2 مواد و روش ها
2.1 جمع آوری نمونه ها
2.2 تصویربرداری دندان ها به وسیله میکرو سی تی
2.3 آنالیز تحلیل ریشه
2.4 از بین بردن سوگیری ها
2.5 خطای تحقیق
3 نتایج
3.1 توزیع حفرات و تحلیل رفتگی ها در سطح ریشه
3.2 طول و پهنای حفرات
3.3 سطح حفرات
3.4 نسبت سطح ریشه در معرض تحلیل رفتگی
4 بحث
5 نتیجه گیری
مراجع

چکیده

اهداف: تحقیق حاضر به منظور ارائه روشی برای تخمین تحلیل ریشه دندان در اثر ارتودنسی در دندان های دارای دوبرجستگی سطح جونده  صورت پذیرفته و در آن از روش های مقطع نگاری رایانه ای با اشعه مخروطی (CBCT ) و مقطع نگاری رایانه ای میکرو (Micro CT) استفاده شده است.

روش ها: ده دندان آسیای (premolar) آرواره ای از هشت بیمار نوجوان به دست آمده است. پنج عدد از این دندان های آسیای کوچک پیش از اعمال هرگونه نیروی ارتودنسی استخراج گردیده (گروه1، گروه کنترل کننده) و پنج دندان دیگر از موارد تحت درمان ارتودنسی بدون استخراج دندان به دست آمده است که پس از مدت یک سال و به علت تغییر در برنامه درمانی، تصمیم به کشیدن یکی از این دندان ها شده است (گروه2، گروه درمانی). تمامی این بیماران دارای مقطع نگاری رایانه ای با اشعه مخروطی به عنوان بخشی از مدارک درمانی اولیه بوده اند و تمامی دندان های خارج شده نیز به وسیله یک دستگاه مقطع نگاری رایانه ای میکرو (میکرو سی تی) تصویربرداری شده اند. تصاویر اسکن شده بازتولیدی پردازش گردیده و پارامترهای متعددی از حفرات و تحلیل رفتگی ها مانند اندازه گیری های خطی پهنا و طول حفرات مورد بررسی قرار گرفته و طول اولیه دندان های این دو گروه (اندازه گیری شده به وسیله مقطع نگاری رایانه ای اشعه مخروطی و میکرو سی تی) مقایسه شده است.

نتایج: درمان های ارتودنسی موجب تشکیل حفرات و تحلیل رفتگی های بزرگ و قابل توجهی در طول ریشه دندان ها و در هر دو جهت طول و پهنا در قیاس با افرادی شده که تحت ارتودنسی قرار نگرفته اند شده است (P<0.05). علاوه بر این در قسمت عاج دندان ها در مجاورت نواحی تحلیل رفته و حفرات، تخلیه مواد معدنی (دی منیرالیزاسیون) مشاهده شده است.

جمع بندی: تحقیق حاضر یک روش استاندارد به منظور ارزیابی تحلیل ریشه دندان با استفاده از میکرو سی تی ارائه نموده است.

5 نتیجه گیری

تحقیق حاضر روشی خاص به منظور بررسی تحلیل ریشه دندان ناشی از ارتودنسی پس از دوره درمان به وسیله انبساط سیم های ارتودنسی به مدت یک سال ارائه شده است که در آن طول اولیه ریشه ها از مقطع نگاری رایانه ای با پرتو مخروطی به دست آمده و با طول های پس از استخراج دندان که از میکرو سی تی محاسبه شده است مقایسه گردیده. در تحقیقات آتی می توان از مقطع نگاری رایانه ای پرتو مخروطی با رزولوشن بالا، دوز پایین و میدان دید محدود به منظور بررسی تحلیل ریشه دندان در اثر ارتودنسی در درون بدن استفاده نمود.

Abstract

Objectives The present study was conducted to propose up a technique for evaluation of OITRR in bicuspids as evaluated by con-beam computed tomography (CBCT) and micro computed tomography Micro CT).

Methods Ten healthy maxillary first premolars were extracted from eight adolescent healthy patients. Five of the premolars were removed prior to application of any orthodontic forces (group 1 control group), and the other five premolars were indicated to be removed in non– extraction orthodontic treated cases after a year due to change in their treatment plan to extraction of these five premolars (group 2 treatment group). All patients had initial CBCT as part of their initial treatment records and all extracted teeth were scanned using a micro-computed tomography (Micro CT) scanner. Reconstructed scanned images were processed and numerous crucial resorption lacunae parameters were evaluated including linear measurements of the width and length of the resorption lacunae. Comparisons were performed between the two groups initial teeth lengths (measured from CBCT and MicroCT).

Results Orthodontic treatment caused the formation of considerably large tooth root resorption lacunae measured in length and breadth along the length of the root that were extracted after been moved orthodontically compared to those who were not moved orthodontically (P < 0.05). They were also observed in dentin areas for demineralization adjacent to the resorption lacunae.

Conclusion The present study presented a standardized method to assess root resorption based on Micro CT.

5 Conclusions

This study presents a unique method of evaluating orthodontics induced tooth root resorption after one year of dental arch expansion by comparing initial root length from CBCT to after extraction lengths from Micro CT. The restricted field of view, high resolution, low-dose CBCT might be used in the future to monitor and /or assess in vivo OITRR clinically.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

ارزیابی تحلیل ریشه ناشی از ارتودنسی با استفاده از توموگرافی محاسبه ای اشعه مخروطی و توموگرافی- محاسبه شده میکرو

Evaluation of orthodontically induced root resorption using con-beam computed tomography and micro computed tomography

شبکه عصبی کانولوشن کم عمق برای غربالگری شیوع COVID-19 با عکسبرداری اشعه ایکس قفسه سینه

Shallow Convolutional Neural Network for COVID-19 Outbreak Screening Using Chest X-rays

چکیده
مقدمه
مواد و روش‌ها
جمع‌آوری داده‌ها
شبکه عصبی کانولوشن کم عمق
آزمایشات
نتایج در مجموعه داده متعادل
نتایج در مجموعه داده نامتعادل
بحث‌ و گفتگو
نتیجه‌گیری و کارهای آینده
منابع

چکیده

در میان داده‌های تصویربرداری رادیولوژی، عکسبرداری اشعه ایکس قفسه سینه (CXR) در مشاهده بروز کووید 19 بسیار استفاده می‌شود. برای غربالگری انبوه، استفاده از CXR، یک ابزار مبتنی بر هوش مصنوعی محاسباتی کارآمد، برای تشخیص موارد مثبت کووید 19 از موارد غیر کووید ضروری است. به این منظور، یک شبکه عصبی کانولوشن سبک وزن (CNN) با معماری کم عمق متناسب ارائه داده ایم که با استفاده از CXR موارد مثبت کووید 19 را بدون منفی کاذب بطور خودکار تشخیص می‌دهد. معماری کم عمق CNN در مقایسه با سایر مدل‌های یادگیری عمیق با پارامترهای کمتری طراحی شده است. معماری متناسب با CNN کم عمق با استفاده از CXRهای 321 مورد مثبت کووید تأیید شد. علاوه بر موارد مثبت کووید 19، مجموعه دیگری از 5856 مورد غیرکووید 19 (در دسترس عموم، منبع: کاگل) در نظر گرفته شد که شامل موارد ذات الریه عادی، ویروسی و باکتریایی است. در آزمونهای آزمایشی ما، برای جلوگیری از جهت‌گیری احتمالی، اعتبارسنجی 5 برابر دنبال شد و از هر دو مجموعه داده متعادل و نامتعادل استفاده شد. مدل پیشنهادی بالاترین دقت ممکن 99.69٪، را با حساسیت 1.0 به دست آورد، جایی که AUC، 9995/0 بود. بعلاوه، میزان مثبت کاذب گزارش شده برای 5856 مورد منفی کووید19 فقط 0015/0 بود. نتایج ما اظهار داشت که CNN پیشنهادی می‌تواند برای غربالگری انبوه استفاده شود. با استفاده از مجموعه دقیقاً مشابه مجموعه CXR، نتایج فعلی بهتر از سایر مدل‌های یادگیری عمیق و کارهای پیشرفته اصلی بود.

مقدمه

در دسامبر سال 2019، بیماری جدید ویروس کرونا (COVID – 19) در استان ووهان چین یافت شد https://www.who.int/docs/default-source/coronaviruse/who – china-joint-mission-on-covid-19-final-report.pdf [1]. برخلاف سرماخوردگی و آنفولانزا، کووید19 بسیار مسری تر است و برای سیستم ایمنی بدن انسان کاملاً ناشناخته است. به بیان دقیق‌تر، سندرم تنفسی بسیار حاد (SARS) و سندرم تنفسی خاورمیانه (MERS) دو بیماری شناخته شده ویروس کرونا هستند که به ترتیب 10 و 37 درصد مرگ و میر زیادی دارند [2، 3]. هم اکنون، کووید 19 بیش از 6،057،853 نفر را مبتلا کرده است که بیش از 371،166 مورد مرگ در سراسر جهان دارند (تاریخ، 01 ژوئن، 2020) [8]. نرخ شیوع کووید19 نمایی است و سریعتر از سایر بیماریهای مربوط به تنفس است. امروزه محققان برای پیش بینی عواقب احتمالی با استفاده از ابزارهایی که توسط هوش مصنوعی هدایت می‌شوند، به داده‌های کمی محدود شده‌اند.

نتیجه‌گیری و کارهای آینده

به طور کلی، در این مقاله، یک معماری کم عمق متناسب با CNN کم وزن را برای تشخیص موارد مثبت کووید 19 با استفاده از CXR‌ها در برابر موارد غیر کووید 19 پیشنهاد شده است. این آزمایشات بر روی مجموعه داده CXR‌های کویید 19 مثبت، ذات‌الریه – مثبت و سالم انجام شد. برای تأیید دقت، از پروتکل اعتبار سنجی 5 برابر در هر دو سناریوی مجموعه داده متعادل و نامتعادل استفاده شد که در آن 321 مورد مثبت کووید 19 استفاده شده است. با استفاده از (الف) ابزارهای محبوب DL، مانند MobileNet، InceptionV3 و ResNet50، معماری متناسب CNN پیشنهادی را مقایسه کرده ایم. و (ب) کارهای پیشرفته تشخیص COVID – 19 با استفاده از CXR‌ها، در نظر گرفته شود. مدل پیشنهادی بهتر از همه بوده و از نظر محاسباتی کارآمد است زیرا به تعداد پارامترهای کمتری نیاز دارد. چون معماری CNN کم عمق پیشنهادی منفی کاذب ندارد، می‌توان از آن برای غربالگری موارد مثبت کووید 19 در اشعه X قفسه سینه استفاده کرد.

در آینده، معماری شبکه با هدف به حداقل رساندن موارد مثبت کاذب، بررسی می‌شود. همچنین قصد داریم داده‌ها را اضافه کنیم که به ما کمک می‌کند تا از مشکلی که در حال حاضر با آن روبرو هستیم، یعنی کمبود داده کافی، جلوگیری کنیم.

Abstract

Among radiological imaging data, Chest X-rays (CXRs) are of great use in observing COVID-19 manifestations. For mass screening, using CXRs, a computationally efficient AI-driven tool is the must to detect COVID-19-positive cases from non-COVID ones. For this purpose, we proposed a light-weight Convolutional Neural Network (CNN)-tailored shallow architecture that can automatically detect COVID-19-positive cases using CXRs, with no false negatives. The shallow CNN-tailored architecture was designed with fewer parameters as compared to other deep learning models. The shallow CNN-tailored architecture was validated using 321 COVID-19-positive CXRs. In addition to COVID-19-positive cases, another set of non-COVID-19 5856 cases (publicly available, source: Kaggle) was taken into account, consisting of normal, viral, and bacterial pneumonia cases. In our experimental tests, to avoid possible bias, 5-fold cross-validation was followed, and both balanced and imbalanced datasets were used. The proposed model achieved the highest possible accuracy of 99.69%, sensitivity of 1.0, where AUC was 0.9995. Furthermore, the reported false positive rate was only 0.0015 for 5856 COVID-19-negative cases. Our results stated that the proposed CNN could possibly be used for mass screening. Using the exact same set of CXR collection, the current results were better than other deep learning models and major state-of-the-art works.

Introduction

In December 2019, the novel coronavirus disease (COVID-19) was found in Wuhan Province of China https://www.who.int/docs/default-source/coronaviruse/who -china-joint-mission-on-covid-19-final-report.pdf [1].Unlike the common cold and flu, COVID-19 is much more contagious, and for human’s immune system, it is an absolute unknown. To be more specific, severe acute respiratory syndrome (SARS) and Middle East respiratory syndrome (MERS) are two well-known coronavirus diseases, which have huge mortality rates of 10% and 37%, respectively [2, 3]. As of now, COVID-19 affected more than 6,057,853 people with more than 371,166 death cases across the world (dated, June 01, 2020) [8]. The COVID-19 outbreak spread rate is exponential and is faster than other respiratory-related diseases. Researchers are now limited to small amount of data to predict possible consequences using AI-driven tools.

Conclusion and Future Works

On the whole, in this paper, a light-weight CNN-tailored shallow architecture was proposed to detect COVID-19- positive cases using CXRs against non-COVID-19 ones. The experiments were performed on dataset collection of COVID19-positive, pneumonia-positive, and healthy CXRs. To validate its robustness, 5-fold cross-validation protocol was used on both balanced and imbalanced dataset scenarios, where 321 COVID-19-positive cases were used. We have compared the proposed shallow CNN-tailored architecture by taking (a) popular DL tools, such as MobileNet, InceptionV3, and ResNet50; and (b) state-of-the-art works for COVID-19 detection using CXRs, into account. The proposed model outperformed all and is computationally efficient as it requires less number of parameters. As the proposed shallow CNNtailored architecture has no false negatives, it could be used to screen COVID-19-positive cases in chest X-rays.

In future, the network architecture will be explored, aiming to minimize false positive cases. We also plan to augment data that helps avoid an issue we currently face, i.e., lack of sufficient data.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

شبکه عصبی کانولوشن کم عمق برای غربالگری شیوع COVID-19 با عکسبرداری اشعه ایکس قفسه سینه

Shallow Convolutional Neural Network for COVID-19 Outbreak Screening Using Chest X-rays

تشخیص و طبقه بندی خودکار مبتنی بر اشعه ایکس و سی تی اسکن covid-19 با شبکه های عصبی کانولوشن (CNN)

X-ray and CT-scan-based automated detection and classification of covid-19 using convolutional neural networks (CNN)

چکیده

۱. مقدمه

۲. بررسی آثار

3.مواد و روش‌ ها

3.1. روش پیشنهادی

3.2.مجموعه داده

3.3. ایجاد شبکه عصبی پیچشی

۴. نتایج و مباحث

4.1. نتایج

4.2. بحث

5.نتیجه ‌گیری

مراجع

چکیده

کووید-19 (بیماری کرونا ویروس- ۲۰۱۹) جدیدترین بیماری مرتبط با کرونا ویروس است که از سوی سازمان جهانی بهداشت (WHO) به عنوان بیماری همه گیر اعلام شده است. به علاوه، این بیماری، کل کره زمین را به دلیل ورود سراسر جهان به قرنطینه متوقف کرده و میلیون ها نفر را به کام مرگ کشانده است. هرچند این ویروس میزان تلفات کمی دارد، اما مشکل اینجاست که بسیار مُسری است و در نتیجه افراد زیادی را آلوده کرده و بار زیادی را روی دوش سیستم بهداشت و درمان گذاشته است؛ از این رو، شناسایی کووید-19 در بیماران حیاتی شده‌ است. هدف از انجام تحقیق حاضر این است که با استفاده از تصاویر اشعه ایکس و تصاویر توموگرافی کامپیوتری یا مقطع نگاری رایانه ای (CT) یک راهبرد یادگیری عمیق مبتنی بر شبکه عصبی پیچشی (CNN) ارائه شود تا بتوان نسبت به تشخیص و شناسایی خودکار بیماری کووید-19 اقدام کرد. دو طبقه ‌بندی مختلف را به کمک شبکه های عصبی پیچشی (همگشتی) اجرا کردیم که عبارتند بودند از طبقه ‌بندی دودویی و چند کلاسه. در مجموع، یک مجموعه داده مشتکل از ۳۸۷۷ تصویر سی تی اسکن و اشعه ایکس برای آموزش مدل در طبقه بندی دودویی به کار گرفته شده‌ است که از میان آنها ۱۹۱۷ تصویر متعلق به افراد مبتلا به کووید-19 است. صحت کلی 64/99 درصد، یادآوری (Recall) (یا حساسیت) 58/99 درصد، دقت 56/99 درصد، امتیاز اف1 (F-1 score) برابر با 59/99 درصد و ROC (مشخصه عملکرد گیرنده) برابر با۱۰۰ درصد در طبقه ‌بندی دودویی مشاهده شده‌ است. در طبقه ‌بندی چندگانه، مدل با استفاده از کل 6077 تصویر آموزش دیده است که از میان آنها 1917 تصویر به افراد مبتلا به کووید-19، 1960 تصویر به افراد سالم عادی و ۲۲۰۰ تصویر نیز به افراد مبتلا به ذات الریه تعلق دارد. صحت 28/98 درصد، یادآوری (یا حساسیت) 25/98 درصد، دقت 22/98 درصد، امتیاز اف 1 به میزان 23/98 درصد و ROC برابر با 87/99 درصد برای طبقه ‌بندی چند کلاسه با استفاده از روش پیشنهادی بدست ‌آمده است. در مجموعه داده‌ موجود اخیر، مدل پیشنهادی ما، نتایج مورد نظر را ارائه نموده و هم چنین می ‌تواند در تشخیص سریع بیماران کووید-19 مثبت به کادر درمان کمک کند.

5.نتیجه ‌گیری

طبق مطالعه جدیدی که به صورت آنلاین در نشریه بیماری‌ های مُسری نوظهور (Emerging Infectious Diseases) منتشر شده‌، کووید-19 دارای مقدار R0 میانه 7/5 است. مقدار 7/5 نشان می ‌دهد که یک فرد مبتلا به کووید-19 نه فقط ۲ تا ۳ نفر مورد انتظار پژوهشگران بلکه توانایی آلوده کردن ۵ تا ۶ نفر را دارد. علاوه بر این، ویروس در حال تکامل است و سویه های متفاوتی از آن نیز در قسمت های مختلف جهان کشف شده اند. این تغییرات روز به روز ویروس را قوی ‌تر کرده و روزانه جان هزاران نفر را می گیرد. براین اساس، با توجه به چندین مورد شیوع در اجتماع، کشورهای مختلفی آلوده شده اند. به همین دلیل، منابع کشور های مختلف رو به اتمام است و کادر درمان به ابزار های تشخیصی برای بررسی موارد احتمالی کووید-19 نیاز دارند. از این رو، مدل‌ های ساده ای را براساس تصاویر اشعه ایکس و سی تی اسکن جهت شناسایی و طبقه ‌بندی موارد ابتلا به کووید-19 درست کرده ایم. مدل‌ های ما مبتنی بر یادگیری عمیق بوده و طبقه بندی دودویی و چند کلاسه را نیز انجام داده ایم. نتایج تجربی طبقه ‌بندی دودویی، صحت کلی 64/99 درصد، یادآوری (یا حساسیت) 58/99 درصد، دقت 56/99 درصد، امتیاز اف 1 به میزان درصد و ROC برابر با ۱۰۰ درصد را نشان می دهد. هم چنین، نتایج تجربی طبقه ‌بندی‌ های چندگانه نمایانگر صحت 28/98 درصد، یادآوری (یا حساسیت) 25/98 درصد، دقت 22/98 درصد، امتیاز اف 1 به میزان 23/98 درصد و ROC برابر با 87/99 درصد است. مدل های ما از نظر معیارهای عملکردی و هم چنین مجموعه داده‌ ها از اکثر روش های موجود پیشی گرفتند. ثابت شده است که این روش می ‌تواند در حالت اضطراری مفید واقع شود. از این گذشته، مدل های ما در مجموعه داده‌ های فعلی کارآمد شناخته شده اند. با این حال، هنوز نیازمند مطالعه بالینی و آزمایش است.

Abstract

Covid-19 (Coronavirus Disease-2019) is the most recent coronavirus-related disease that has been announced as a pandemic by the World Health Organization (WHO). Furthermore, it has brought the whole planet to a halt as a result of the worldwide introduction of lockdown and killed millions of people. While this virus has a low fatality rate, the problem is that it is highly infectious, and as a result, it has infected a large number of people, putting a strain on the healthcare system, hence, Covid-19 identification in patients has become critical. The goal of this research is to use X-rays images and computed tomography (CT) images to introduce a deep learning strategy based on the Convolutional Neural Network (CNN) to automatically detect and identify the Covid-19 disease. We have implemented two different classifications using CNN, i.e., binary and multiclass classification. A total of 3,877 images dataset of CT and X-ray images has been utilised to train the model in binary classification, out of which the 1,917 images are of Covid-19 infected individuals . An overall accuracy of 99.64%, recall (or sensitivity) of 99.58%, the precision of 99.56%, F1-score of 99.59%, and ROC of 100% has been observed for the binary classification. For multiple classifications, the model has been trained using a total of 6,077 images, out of which 1,917 images are of Covid-19 infected people, 1,960 images are of normal healthy people, and 2,200 images are of pneumonia infected people. An accuracy of 98.28%, recall (or sensitivity) of 98.25%, the precision of 98.22%, F1-score of 98.23%, and ROC of 99.87% has been achieved for the multiclass classification using the proposed method. On the currently available dataset, the our proposed model produced the desired results, and it can assist healthcare workers in quickly detecting Covid-19 positive patients.

5. Conclusion

Covid-19 has a median R0 of 5.7, according to a new study published online in Emerging Infectious Diseases. The 5.7 indicates that one person infected with Covid-19 has the ability to infect 5 to 6 people, rather than the 2 to 3 expected by researchers. Not only that, but the virus is evolving, and different types of strains have been discovered in different parts of the world. These changes are making the virus stronger by the day, and thousands of people are dying every day. As a result, several countries have been affected, with several incidents of community spread. Due to this, various countries are running out of resources and healthcare workers require diagnostic tools to investigate cases of potential Covid-19. Hence, we have developed simple models based on Xrays and CTs to detect and classify the Covid-19 cases. Our models are deep learning-based, and we’ve done binary and multiclass classification. The experimental results for binary classification show an overall accuracy of 99.64%, recall(or sensitivity) of 99.58%, the precision of 99.56%, F1-score of 99.59%, and ROC of 100%. The experimental results for multiple classifications show an accuracy of 98.28%, recall(or sensitivity) of 98.25%, the precision of 98.22%, F1-score of 98.23%, and ROC of 99.87%. In terms of performance measurements as well as dataset, our models exceeded the majority of existing approaches. This method can prove to be very helpful in case of an emergency. Our models proved to be efficient on the current dataset. However, it still needs clinical study and testing.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص و طبقه بندی خودکار مبتنی بر اشعه ایکس و سی تی اسکن covid-19 با شبکه های عصبی کانولوشن (CNN)

X-ray and CT-scan-based automated detection and classification of covid-19 using convolutional neural networks (CNN)

تشخیص طیف گسترده ای از داروهای دامپزشکی با استفاده از یک چارچوب ارگانیت بسیار پایدار

Broad spectrum detection of veterinary drugs with a highly stable metalorganic framework

چکیده
1- مقدمه
2- مواد و روشها
2-1 سنتز
2-2 انتشار اشعه ایکس تک بلوری
2-3 فعالسازی نمونه های ترکیب شده MOF
2-4 اندازه گیری های فلورسانت
2-5 دفع فاز مایع
2-6 جزئیات محاسبات
2-7 آزمایشات چرخه ای
3- نتایج و بحث
3-1 ترکیب و ساختار
3-2 نفوذ پذیری و ثبات
3-3 شناسایی داروهای دامپزشکی
3-4 تحلیل مکانیزم شناسایی
3-5 آزمون استفاده چرخه ای
4- نتیجه گیری

چکیده

شناسایی طیف گسترده داروهای دامپزشکی برای غربالگری سریع و گسترده غذاهای حیوانی بسیار مهم می باشد. چارچوب های ارگانیک- فلزی (MOF) به عنوان مواد کاربردی منفذ دار در پردارش شیمیایی و شناسایی ملکولی موثر می باشند. در این مقاله، عملکرد بالای شناسایی طیف گسترده را برای 15 داروی دامپزشکی مورد بررسی قرار دادیم و این کار از طریق دفع فلورسانتی در ماده پایدار و تازه طراحی شده آلومینیومی MOF, Al3(μ3-O)(OH)(H2O)2(PPTTA)3/2 (BUT-22) انجام شد. تا جایی که می دانیم، این تحقیق اولین مقاله سیستماتیک برای استفاده از MOF در شناسایی/ پردازش داروهای دامپزشکی از طریق روش دفع فلورسانت است. ضریب دفع داروهای دامپزشکی آزمایش شده بر روی داروهای BUT-22 فراتر از 82 درصد است و حد شناسایی (LOD) در سطح (ppb) بسیار کم است. نکته جالب این است که BUT-22 امکان شناسایی نیکاربازین (NIC) را از طریق تغییرات قرمز مشاهده شده با حداکثر رساندن انتشار فلورسانتی فراهم می آورد. به علاوه، مکانیزم دفع فلورسانتی با کمک محاسبات تئوری بررسی شده است. تحقیق انجام شده دلالت بر این دارد که MOF ها مواد مناسبی برای شناسایی داروهای دامپزشکی هستند و در کنترل پسماند داروهای حاصل از غذاهای حیوانی نقش مهمی دارند.

4- نتیجه گیری

یک فلورسانت بسیار پایدار برای MOF Al(III) دارای ساختار چارچوب موقعیتی با عنوان BUT-22 طراحی و تحلیل شده است. این MOF دارای ساختاری مشابه Al-soc-MOF-1 گزارش شده است اما اختلاف آنها در وجود پیوند پیریدین N مورد استفاده است. این دو MOF دارای اندازه حفره متوسط هستند و توانایی شناسایی و بازیابی و همچنین ثبات آنها در برابر 15 داروی مورد استفاده از نظر تسکین دهندگی بسیار خوب است. تاثیر تسکین دهندگی برای تمام داروها بیش از 82 درصد است و BUT-22 نیز حد شناسایی بسیار پایین دارد. بخصوص اینکه، حد شناسایی BUT-22 در برابر NZF برابر 14ppb است. به علاوه، دو داروی MOF می توانند NIC را بر اساس تغییرات مشاهده شده در طیف انتشار شناسایی کنند. تاثیر حاصل از مکانیزم های متعدد دلیل اصلی برای توانایی شنایی بسیار خوب است. بنابراین، دو MOF در شناسایی طیف گسترده داروهای دامپزشکی مفید هستند. بدیهی است که MOF به عنوان یک گزینه جدید دارای کاربردهای بالقوه ای در حوزه امنیت غذا است و بررسی این موضوع در آزمایشگاه ادامه خواهد داشت.

Abstract

The broad spectrum detection of veterinary drugs is very important for rapid and large-scale safe screen of animal-derived foods. Metal-organic frameworks (MOFs), as a kind of emerged functional porous materials are quite promising in the chemical sensing and molecular detection. In this work, we report the high-performance broad spectrum detection of 15 commonly-used veterinary drugs through the fluorescence quenching in a newly-designed chemically stable Al-based MOF, Al3(μ3-O)(OH)(H2O)2(PPTTA)3/2 (BUT-22). To the best of our knowledge, this is the first systematic investigation for the application of MOFs in the detection/sensing of veterinary drugs through fluorescence quenching method. The quenching efficiencies of the tested veterinary drugs on BUT-22 are all beyond 82%, and the limits of detection (LOD) are low at parts per billion (ppb) levels. Interestingly, BUT-22 also enables the selective detection of nicarbazin (NIC) through the clearly-observed red shift of its maximum fluorescence emission wavelength. Moreover, the fluorescence quenching mechanism was explored with the help of theoretical calculations. Our work indicates that MOFs are favorable materials for the detection of veterinary drugs, being potentially useful in monitoring drug residues of animal-derived foods.

4- Conclusions

A new highly stable fluorescent Al(III)-based MOF with a soc-a topological framework structure, BUT-22 has been designed and synthesized. This MOF has a similar structure with reported Al-soc-MOF-1 but difference in the pyridine N functionalized ligand used. The two MOFs have moderate pore size and represent excellent detection ability with good recyclability and stability towards 15 normally used veterinary drugs in terms of distinct fluorescent quenching. The quenching efficiencies are all beyond 82%, and the BUT-22 also represents very low limit of detection. Particularly, the limit of detection of BUT-22 toward NZF is 14 ppb. In addition, the two MOFs can also selectively detect NIC based on the observed red shift of their emission spectra. A synergetic effect from multiple mechanisms is believed to be the main reasons for the observed excellent detection ability. The two MOFs are therefore potentially useful in the broad spectrum detection of veterinary drugs. Clearly, MOFs as a kind of new platform have great application potential in the food safety field, and expanding exploration is going on in our lab.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص طیف گسترده ای از داروهای دامپزشکی با استفاده از یک چارچوب ارگانیت بسیار پایدار

Broad spectrum detection of veterinary drugs with a highly stable metalorganic framework

توابع لیاپانوف برای مدل سازی غیرخطی انفجار اشعه X از ریزاختروش GRS 1915+105

Lyapunov functions for a non-linear model of the X-ray bursting of the microquasar GRS 1915+105

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

توابع لیاپانوف برای مدل سازی غیرخطی انفجار اشعه X از ریزاختروش GRS 1915+105

Lyapunov functions for a non-linear model of the X-ray bursting of the microquasar GRS 1915+105

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

کاربردهای میکروسکوپ الکترونی روبشی در علوم زمین

Applications of scanning electron microscopy in earth sciences

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

کاربردهای SEM در علوم زمین

Applications of scanning electron microscopy in earth sciences

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.