یادگیری عمیق و کاربرد های آن در زیست پزشکی

Deep Learning and Its Applications in Biomedicine

چکیده
مقدمه
توسعه ی ANN ها
توسعه ی یادگیری عمیق
توصیفی خلاصه در رابطه با یادگیری عمیق
مفاهیم اولیه
توابع فعال سازی
هدف بهینه سازی
تابع ضرر
روش های بهینه سازی
معماری یادگیری عمیق
AEها
RBM ها و DBN ها
شبکه های عصبی پیچشی ( کانولوشن)
شبکه های عصبی بازگشتی
کاربرد های این روش در زیست پزشکی
طبقه بندی تصویر های پزشکی و بخش بندی آن ها

چکیده

پیشرفت های انتزاعی در زیست و تکنولوژی های زیستی، حجم بسیار زیادی از داده های زیستی و فیزیولوژیک را ایجاد کرده است، از جمله تصویر های پزشکی، الکتروانسفالوگرافی، نقشه های ژنوم و توالی های پروتئینی. یادگیری با استفاده از این داده ها منجر به تسهیل درک ما نسبت به سلامت و بیماری های انسان می شود. الگوریتم های مبتنی بر یادگیری عمیق که از شبکه های عصبی مصنوعی توسعه پیدا کرده اند، توانایی بالایی برای استخراج کردن ویژگی و الگوهای یادگیری از داده های پیچیده را از خودشان نشان داده اند. هدف این مقاله فراهم کردن مروری بر روی تکنیک های یادگیری عمیق و بعضی از جدید ترین کاربرد های آن ها در زمینه ی پزشکی می باشد. ما نخست توسعه ی شبکه های عصبی و یادگیری عمیق را ارائه می کنیم. سپس دو بخش اصلی از یادگیری عمیق، یعنی معماری یادگیری عمیق و بهینه سازی مدل را ارائه می کنیم. در نهایت بعضی از نمونه های کاربردی روش یادگیری عمیق ارائه می گردد ، از جمله طبقه بندی تصاویر پزشکی، تحلیل توالی ها، و همچنین طبقه بندی و پیش بینی کردن ساختار پروتئین ها. در نهایت، ما دیدگاه خودمان را در رابطه با جهت آتی در زمینه ی یادگیری عمیق را ارائه می کنیم.
مقدمه
یادگیری عمیق یکی از روش های جدید با رشد سریع در زمینه ی یادگیری ماشین می باشد. در این روش تلاش می شود تا استخراج ویژگی ها و اطلاعات مفید از داده هایی با مقیاس بزرگ، با استفاده از شبکه های عصبی عمیق چند لایه ای (DNN ها) ، استخراج شود تا بتوان از داده هایی مانند تصاویر، صداها و متن ها، اطلاعات مفید به دست آورد [1]. یادگیری عمیق به صورت عمومی دارای دو ویژگی می باشد : 1)لایه های چندگانه از واحد های پردازش غیر خطی و 2) یادگیری با سرپرست یا بدون سرپرست از نمایه ی ویژگی ها در هر لایه [1].قالب کاری اولیه برای یادگیری عمیق بر اساس شبکه های عصبی مصنوعی (ANN ها) در دهه ی 1980 ایجاد شد [2] ، در حالی که تاثیر واقعی این روش های یادگیری عمیق در سال 2006 نمایان شد [3و4]. از آن زمان تا کنون، یادگیری عمیق در گستره ی زمینه های مختلف، شامل شناسایی خودکار گفتار، شناسایی تصویر، پردازش طبیعی زبان، شناسایی دارو و انفورماتیک زیستی مورد استفاده قرار گرفته است [5-7].
در دهه های اخیر، رشد گسترده ای در زمینه ی داده های پزشکی مانند توالی های ژنی، ساختار پروتئین ها، و تصویر های پزشکی ایجاد شده است که به دلیل پیشرفت در تکنولوژی هایی با کارایی بالا بوده است. این طوفان گسترده از داده های بزرگ زیستی، منجر به الزام استفاده از ابزار محاسباتی موثر و کارآمد شده است تا بتوانیم این چنین داده هایی را ذخیره سازی، تحلیل و تفسیر کنیم. قالب های کاری یادگیری عمیق ، مسائل جدیدی را نمایان کرده اند. هدف این مقاله فراهم کردن یک مرور در رابطه با یادگیری عمیق و بعضی از جدید ترین کاربرد های یادگیری عمیق در زمینه ی پزشکی و انفورماتیک زیستی می باشد.ما امید داریم که این مقاله بتواند برای خوانندگان ، مروری مناسب در رابطه با یادگیری عمیق ایجاد کرده و کاربرد های آن برای تحلیل داده های زیستی را نمایان کند.
طبقه بندی تصویر های پزشکی و بخش بندی آن ها
یادگیری ماشینی برای تصویر های پزشکی ، یک ابزار قوی در تشخیص و یا ارزیابی بیماری ها بوده است. معمولا، ویزگی های متمایز اشاره به تفسیر تصویر های پزشکی دارد که معمولا پیش از این، به صورت دستی توسط انسان ها برای طبقه بندی ( شناسایی کردن آسیب ها یا حالت های غیر عادی) و یا بخش بندی منطقه های مد نظر ( بافت ها و ارگان ها) در زمینه های پزشکی مختلف، مورد استفاده قرار می گرفته است. این روند نیازمند مشارکت متخصص ها و پزشکان می باشد. در هر صورت، پیچدگی و ابهام تصویر های پزشکی، دانش محدود برای تفسیر تصاویر پزشکی و الزام مقادیر داده های تفسیری مانع استفاده ی گسترده از یادگیری ماشینی در دامنه ی تصویر های پزشکی شده است. اما باید به این نکته اشاره کرد که روش های یادگیری عمیق ، موفقیت زیادی در انواع وظایف بصری کامپیوتری مانند شناسایی اشیا، مشخص کردن مکان آن ها و یا بخش بندی تصویر های طبیعی به دست آورده است. این موارد ، باعث شده که این روش ها از نظر تفسیر تصویر های پزشکی نیز امید بخش باشند.

Abstract

Advances in biological and medical technologies have been providing us explosive volumes of biological and physiological data, such as medical images, electroencephalography, genomic and protein sequences. Learning from these data facilitates the understanding of human health and disease. Developed from artificial neural networks, deep learning-based algorithms show great promise in extracting features and learning patterns from complex data. The aim of this paper is to provide an overview of deep learning techniques and some of the state-of-the-art applications in the biomedical field. We first introduce the development of artificial neural network and deep learning. We then describe two main components of deep learning, i.e., deep learning architectures and model optimization. Subsequently, some examples are demonstrated for deep learning applications, including medical image classification, genomic sequence analysis, as well as protein structure classification and prediction. Finally, we offer our perspectives for the future directions in the field of deep learning.

Introduction

Deep learning is a recent and fast-growing field of machine learning. It attempts to model abstraction from large-scale data by employing multi-layered deep neural networks (DNNs), thus making sense of data such as images, sounds, and texts [1]. Deep learning in general has two properties: (1) multiple layers of nonlinear processing units, and (2) supervised or unsupervised learning of feature presentations on each layer [1]. The early framework for deep learning was built on artificial neural networks (ANNs) in the 1980s [2], while the real impact of deep learning became apparent in 2006 [3,4]. Since then, deep learning has been applied to a wide range of fields, including automatic speech recognition, image recognition, natural language processing, drug discovery, and bioinformatics [5–7]. The past decades have witnessed a massive growth in biomedical data, such as genomic sequences, protein structures, and medical images, due to the advances of highthroughput technologies. This deluge of biomedical big data necessitates effective and efficient computational tools to store, analyze, and interpret such data [5,8]. Deep learning-based algorithmic frameworks shed light on these challenging problems. The aim of this paper is to provide the bioinformatics and biomedical informatics community an overview of deep learning techniques and some of the state-of-the-art applications of deep learning in the biomedical field. We hope this paper will provide readers an overview of deep learning, and how it can be used for analyzing biomedical data.

Medical image classification and segmentation

Machine learning for medical images has long been a powerful tool in the diagnosis or assessment of diseases. Traditionally, discriminative features referring to medical image interpretation are manually designed for classification (detection of lesions or abnormalities) and segmentation of regions of interest (tissues and organs) in different medical applications. This requires the participation of physicians with expertise. Nonetheless, the complexity and ambiguity of medical images, limited knowledge for medical image interpretation, and the requirement of large amounts of annotated data have hindered the wide use of machine learning in the medical image domain. Notably, deep learning methods have attained success in a variety of computer vision tasks such as object recognition, localization, and segmentation in natural images. These have soon brought about an active field of machine learning in medical image analysis.

پلتفرم کشت سلولی مبتنی بر کاغذ و برنامه های کاربردی زیست پزشکی در حال ظهور

Paper-based cell culture platform and its emerging biomedical applications

مقدمه

ایجاد تغییر در کاغذ برای کشت سلولی

تغییر خصوصیات شیمیایی کاغذ برای کشت سلولی

ایجاد تغییر در خصوصیات فیزیکی کاغذ برای کاشت سلولی

سطوح کشت سلولی کاغذ محور موجود

کاربردهای پلتفرم کشت سلولی کاغذی

کشت سلولی کاغذ محور به‌عنوان مدل‌های بیماری

پلتفرم کشت سلولی کاغذی برای غربالگری دارویی

پلتفرم کاغذی برای انجماد سلولی

نتیجه‌گیری و دیدگاه‌های آتی

کاغذ در حال حاضر توجه زیادی را به‌عنوان یک‌لایه‌ی فرعی برای کاربردهای زیست پزشکی به خود جلب کرده است. به‌واسطه‌ی ایجاد تغییراتی در خصوصیات فیزیکی و شیمایی آن، کاغذ می‌تواند به‌عنوان یک جایگزین برای لایه‌های فرعی بافت‌های سلولی مرسوم مورداستفاده قرار گیرد. با توجه به اینکه این عامل می‌تواند در یک ساختار 3 بُعدی (3D) قرار گیرد، می‌تواند به‌طور مناسب‌تر و بهتری محیط‌های خُرد سلولی در شرایط طبیعی را شبیه‌سازی نماید. کاغذ می‌تواند توان بالقوه‌ی بالایی به‌عنوان سطح کشت سه‌بعدی سلولی برای توسعه‌ی مدل‌های مرسوم و دارای بیماری مورداستفاده قرار گیرد. این سطح و پلتفرم می‌تواند کنترل دقیق و مشخصی بر روی ترکیب ماتریس خارج سلولی (ECM) ارائه دهد و همچنین می‌تواند به توزیع سلولی و تحلیل دقیق از تعاملات بین سلولی نیز کمک کند. سطوح کاغذی می‌توانند برای تحقیقات مرتبط با پاتوفیزیولوژیک و مداخلات درمانی مورداستفاده قرار گیرند. در این مقاله، ما در وهله‌ی اول به بررسی تغییرات خصوصیات فیزیکی و شیمایی کاغذ به‌منظور توسعه‌ی سطوح کشت 2 و 3 بُعدی مبادرت می‌ورزیم. در گام بعدی کارکردهای سطوح کشت سلولی کاغذی را برای مدل‌های بیمار در حالت طبیعی، غربال‌گری دارویی و کاربردهای سرماداری سلولی موردبررسی و تجزیه‌وتحلیل قرار می‌دهیم. به‌واسطه‌ی مزیت‌های مختلف سطوح کشت سلولی کاغذی مانند سازگاری زیستی، دوستدار طبیعت بدن، به‌صرفه بودن و سهولت در تولید بزرگ‌مقیاس، ما بر این باور هستیم که این عوامل می‌توانند نقش بسیار مهم را درزمینه‌ی زیست پزشکی بازی کنند.

1- مقدمه

کاغذ به‌عنوان یکی از کهن‌ترین اختراعات، منجر به تغییرات شگرفی در زندگی انسان‌ها در طول تاریخ شده است. در مصریان، یونیان و رومیان باستان، “پاپیروس” (مواد کاغذ مانند) برای ثبت سوابق مورداستفاده قرار می‌گرفتند درحالی‌که کاغذ امروزی که از فیبرهای سلولوزی تشکیل‌شده است که به‌واسطه‌ی ترکیب‌های هیدروژنی در کنار هم قرار می‌گیرند در چین باستان اختراع‌شده و مورداستفاده قرار گرفتند. از آن زمان به بعد، کاغذ در طیف گسترده‌ای از عوامل و موارد مورداستفاده قرار گرفت که در زمینه‌ی‌ لایه‌های می‌توان به فرعی به‌عنوان محصولات بهداشتی، بسته‌بندی و همچنین وجوه نقد و پول‌ها اشاره نمود. اخیراً با توسعه‌ها و پیشرفت‌های قابل‌توجه درزمینه‌ی زیست‌فناوری، کاغذ به‌عنوان زیر لایه‌ها برای کاربردهای زیست پزشکی مختلفی مورداستفاده قرار می‌گیرند که دراین‌بین می‌توان به تولید کاغذهای آزمایش ارزان و قابل بازیافت در کاربردهای سلامتی، صفحات الکترونیکی منعطف، حسگرهای زیستی کاغذی و سطوح کشت سلولی کاغذی اشاره داشت. این کاربردها و استفاده‌های مختلف می‌توانند همسو با خصوصیات جالب‌توجه داخلی آن مانند سازگاری زیستی، سهولت در تغییرات شیمایی و فیزیکی، ارزان بودن، دوستدار محیط‌زیست بودن و سهولت در فرایندهای تولیدی بزرگ‌مقیاس اشاره داشت.

نتیجه‌گیری و دیدگاه‌های آتی

کاغذ به‌عنوان یک‌لایه‌ی کشت سلولی در حال ظهور توانسته است توان بالقوه‌ای در زمینه‌ی توسعه‌ی پلتفرم‌های کشت سلولی دو بعدی و سه بعدی ارائه دهد، هرچند تغییرات در خصوصیات شیمیایی و فیزیکی آن موردنیاز هستند. برای مثال، کاغذ باید با برخی از گروه‌های شیمایی مفید روکش شود تا بتواند محیط‌های مناسبی برای اتصال سلولی و یا سختی سطحی به دست آورد تا رشد سلولی بهتری صورت گیرد. کشت‌های سلولی سه بعدی موجود بر اساس هیدروژل و بست های متخلخل اغلب با توجه به ابعاد ساختاری به‌صورت یکسان نیستند و نمی‌توانند اطلاعاتی در مورد سلول‌ها در محیط‌های مختلف درون یک ساختار سه بعدی مشخص ارائه دهند و این انزوای فیزیکی سلول‌ها از دیگر محیط‌های ساختار سه بعدی قبل از نشانه‌گذاری و خصوصیات بیوشیمیایی نیاز هستند. در ضمن، پلتفرم‌های کشت سلولی کاغذ محور که در بسیاری از کاربردهای بیوشیمیایی دیده می‌شوند می‌توانند بیان‌کننده‌ی نتایج بسیار خوبی باشند. برای مثال، سامانه‌ی GiGiP می‌تواند به‌طور بهتری شرایط طبیعی میکرو ساختار را شبیه‌سازی کند تا بتواند مدل‌های سه بعدی نرمال و بیماری ارائه دهد مانند مدل‌های بیماری ایسکمیک.

Paper has recently attracted increasing attention as a substrate for various biomedical applications. By modifying its physical and chemical properties, paper can be used as an alternative to conventional cell culture substrates. Because it can be stacked into a three-dimensional (3D) structure, which can better mimic the in vivo cell microenvironment. Paper has shown great potential as a 3D cell culture platform for developing normal and diseased models. This platform gives precise control over extracellular matrix (ECM) composition as well as cell distribution and precise analysis of the interactions between cells. Paper-based platforms have been applied for pathophysiological studies and therapeutic intervention studies. In this paper, we first discuss the modifications of the physical and chemical properties of paper to develop various 2D and 3D cell culture platforms. We then review the applications of paper-based cell culture platforms for the construction of in vitro disease models, drug screening, and cell cryopreservation applications. Because of its advantages such as biocompatibility, eco-friendliness, cost efficiency, and ease of large-scale production, we believe that paper-based cell culture platforms would play an important role in the fields of biomedicine. 

Introduction

Paper, as one of the most ancient inventions, has led to tremendous changes to human beings along the history. In ancient Egyptians, Greek, and Romans, ‘papyruses’ (paper-like materials) were used to record information, while the modern paper that is composed of cellulose fibers held by hydrogen bonds was invented and used in ancient China. Ever since its invention, paper has been used in a wide range of fields, from the original writing substrates to sanitary products, packaging, and even bank notes (cash). Recently, with the significant advances in biotechnology, paper has been applied as substrates to a variety of biomedical applications, such as the production of low-cost and disposable analytical test papers in healthcare applications [1–3], flexible electronics [4,5], paper-based biosensors [6–8], and most recently, cell culture platforms [9–14]. This is mostly attributed to its attractive intrinsic properties, such as biocompatibility, ease of chemical and physical modifications, cost efficiency, eco-friendliness, and ease of largescale manufacturing. 

Conclusion and future perspectives

Paper has emerged as a promising cell culture substrate that could offer high potentials in developing 2D and 3D cell culture platforms, although modifications of its chemical and physical properties are required. For instance, paper needs to be coated with some beneficial chemical groups to provide binding sites for cell attachment or its surface roughness and stiffness can be adjusted to allow a better cell growth. Existing 3D cell cultures based on hydrogel and porous scaffold are mostly nonuniform in dimension, failing to provide information about cells in different areas within a single 3D construct, and this physical isolation of cells from different regions of the 3D construct are needed before staining and biochemical characterization [10,90]. Meanwhile, paper-based cell culture platforms that have been used in many biomedical applications show better results. For example, the CiGiP system can better mimic condition of in vivo microenvironment to create 3D normal or diseased tissue models, such as ischemic diseased models[9–12].

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

پلتفرم کشت سلولی مبتنی بر کاغذ و برنامه های کاربردی زیست پزشکی در حال ظهور

Paper-based cell culture platform and its emerging biomedical applications

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

فهرست مقاله:

چکیده

1-مقدمه

2- روش آزمایشی

2-1 اصلاح سطحی نانوذرات Mg-FHA

2-2 شناسایی

3- نتایج و بحث

.نتیجه گیری4

بخشی از ترجمه فارسی مقاله:

1-مقدمه
سرامیک زیست فعال هیدروکسی آپاتیت(HA) با ترکیب شیمیایی Ca10(PO4)6(OH)2 به طور گسترده ای برای زمینه های ارتوپدی، دندانپزشکی و جراحی فک و صورت به دلیل تشابه با فاز معدنی استخوان و دندان استفاده شده اند. قرار دادن فلورین در ساختار آپاتیت برای تولید هیدروکسی اپاتیت حاوی فلوئورین(FHA:Ca10(PO4)6OH2xFx, که در آن X بیانگر درجه فلوریداسیون است) موجب بهبود خواص فیزیکی و زیستی HA می شود. در حال حاضر،HA به طور جزیی با فلوئورین جایگزین شده و توجه زیادی را به خصوص در زمینه رشد استخوان بالینی به خود معطوف کرده است. به علاوه، حضور یون های منیزیم به جای یون های کلسیم در ساختار FHA موجب بهبود فعالیت زیستی آن و ویژگی های رسانش استخوانی شده است. Mg-FHA زیست سازگاری و ویژگی های بیولوژیکی بیشتری را در مقایسه با FHA اصلاح نشده ارایه می کند(1-2). به علاوه، زیست تجزیه پذیری FA یا FHA سنتز شده از طریق جایگزینی بهینه منیزیم در ساختار FHA کنترل می شود(3). اخیرا، کامپوزیت های ماتریس پلیمری در زمینه مهندسی بافت استخوان به دلیل خواص مکانیکی و زیستی بالای خود در مقایسه با سرامیک ها، توجه زیادی را به خود جلب کرده اند. به علاوه، توسعه کامپوزیت های پلیمری/ سرامیکی، منجر به شبیه سازی و الگوبرداری از ساختار استخوان طبیعی شده است زیرا در ماتریس کلاژن، متشکل از HA است(1-4).
خواص و ویژگی های فعالیت زیستی را می توان با نانوذرات بیوسرامیکی بهبود بخشید زیرا استخوان طبیعی متشکل از HA نانوساختار است(1-5). با این حال نانوذرات بیوسرامیکی در ماتریس پلیمری به دلیل سطح مقطع بالا و قطبیت سطحی ناسازگار با پلیمر ها،انباشته می شود. این مسئله به خوبی اثبات شده است که سازگاری سطحی سرامیک ها با ماتریس پلیمری اثر معنی داری بر خواص بیولوژیکی آن نظیر جذب پروتین و اتصال سلولی و تکثیر سلولی بر روی ساختار ها دارد(5-6).
به منظور تقویت پیوند بین وجهی( بین سطحی) بین فازهای فوق الذکر، درک شیمی سطحی و بین سطحی نانوبیوسرامیک در ماتریس پلیمری ، بسیار مهم است. از این حیث، اصلاح سطحی نانوذرات با استفاده از عامل فعال سطحی، عامل جفت کنندهف اسید چرب و اتانول انجام شده است(5-7-11).
اسید های آمینه موسوم به بیومواد( مواد زیستی) مقرون به صرفه با ویژگی های زیست تجزیه پذیری، زیست سازگاری، عدم سمیت و سازگاری با محیط زیست می باشند که موجب شده است تا آن ها به جایگزین های ایده ال برای زمینه های مهندسی بافت تبدیل شوند. به علاوه،بهترین حلال برای اسید آمینه، آب به عنوان یک محلول غیر سمی، طبیعی،سازگار با محیط زیست و ارزان است(12-14).
به دلیل وجود گروه های OH بر روی سطح نانوذرات Mg-FHA ف آن ها معمولا در ماتریس پلیمری انباشته می شوند. به علاوه، این گروه های سطحی OH موجب می شوند تا نانوذرات Mg-FHA به مولکول های اسید امینه متصل شوند. در نتیجه پیوند شیمیایی بین گروه های OH سطحی نانوذرات Mg-FHA و مولکول های امینو اسید، سطح نانوذرات Mg-FHA از حالت آب دوست به حالت آب گریز تغییر کرده و این منجر به توزیع یکنواخت ذرات در محلول آلی می شود. از این روی اسید های آمینه را می توان به عنوان گزینه ای مناسب برای اصلاح سطحی نانوبیوسرامیک ها به خصوص در ماتریس پلیمری در نظر گرفت(12-15).
در این مطالعه، سطح نانوذرات Mg-FHA تحت تغییرات و اصلاح شیمیایی با امینو اسید های زیست فعال طبیعی برای بهبود توزیع و انتشار نانوذرات در ماتریس پلیمری قرار گرفت. نانوذرات اصلاح شده با طیف سنج مادون قرمز فوریر FT-IR، پایداری انتشار، انکسار اشعه ایکس XRD، میکروسکوپ الکترونی نگاره گسیلش میدانی FE-SEM و نیز تحلیل ترموگراویمتری بررسی شدند.

2- روش آزمایشی
2-1 اصلاح سطحی نانوذرات Mg-FHA
نانوذرات Mg-FHA با استفاده از روش سول ژل بر طبق تحقیقات قبلی توسط گروه تحقیقات بیومواد تولید شد. به طور خلاصه، مواد آغاز گر شامل P2O5 (99.9%), Mg
(NO3)2 6H2O (99.9%) و Ca(NO3)2 4H2O (99.9%) بود. مقادیر مناسب مواد فوق الذکر با ترکیب استوکیومتری Ca9.5Mg0.5(PO4)6(OH)F در اتانول حل شدند. این محلول ها به صورت قطره ای به یک دیگر برای بدست اوردن یک محلول با نسبت (Ca, Mg)/P 1.67 افزوده شدند. ترکیب نهایی به مدت 24 ساعت در دمای محیط برای تولید ژل، همزده شد. ژل تشکیل شده به مدت 25 ساعت در دمای محیط باقی می ماند و در اون در دمای 100 درجه خشک می شو.د. زۀ خشک شده با میزان دمای 5 درجه ای در دقیقه تا 650 درجه به مدت 1 ساعت در کوره مافل حرارت داده می شود.
اسید آمینه های طبیعی از جمله ال-لوسین، ایولولین، متیونین، فنیل آلانین، تیروزین و والین بدون اصلاح بیشتر استفاده شدند. اسید امینه های فوق با غلظت 10 درصد وزنی در 20 میلی لیتر اب مقطر در دمای اتاق حل شدند. نانوذرات Mg-FHA تولید شده در 120 درجه به مدت 24 ساعت برای حذف آب خشک شدند. سپس نانوذرات Mg-FHA به محلول اتانول حاوی اسید امینه افزوده شده و در دمای اتاق به مدت 24 ساعت هم زده شدند. ترکیب تهیه شده در حمام اولتراسونیک به مدت 30 دقیقه قرار گرفت. نمودار شماتیک فرایند اصلاح سطحی برای نانوذرات Mg-FHA در شکل 1 نشانداده شده است.

بخشی از مقاله انگلیسی:

1. Introduction

Hydroxyapatite(HA) bioactive ceramic with the chemical composition of Ca10(PO4)6(OH)2 has been extensively utilized for orthopedic, dental and maxillofacial applications due to its similarity to the mineral phase of bone and tooth. Incorporation of fluorine into the apatite structure to form fluoridated hydroxyapatite [FHA:Ca10(PO4)6OH2
xFx, where x represents the degree of fluoridation] improves the physical and biological properties of HA. At present, the HA partially substituted by fluorine has received considerable attention, particularly for clinical bone growth. Moreover, the presence of Mg ions instead of Ca ions in FHA structure (Mg-FHA) promotes its bioactivity and osteoconductivity characteristics. The Mg-FHA provides superior biocompatibility and biological properties compared to the unmodified FHA [1,2]. Besides, the biodegradability of the synthesized FA or FHA is controlled through the optimized substitution of Mg2þ into the FHA structure [3]. Recently, polymeric matrix composites have come into spotlight in bone tissue engineering applications owing to their superior biological and mechanical properties as compared to ceramics. In addition, the development of polymer/ceramic composites simulates the structure of natural bone since it is composed of HA in collagen matrix [1,4]. The bioactivity properties can be further improved using bioceramic nanoparticles (NPs) since the natural bone is also composed of nanostructured HA [1,5]. However, bioceramic NPs tend to be agglomerated in the polymeric matrix as a result of their high surface area and incompatible surface polarity with polymers. It is well-established that the surface compatibility of ceramics with the polymeric matrix signifi- cantly affects its biological properties such as protein adsorption and subsequent cellular attachment and proliferation on the structures [5,6]. In order to strengthen the interfacial bonding between the mentioned phases, understanding the surface and interfacial chemistry of nanobioceramic in a polymer matrix is very important. In this respect, the surface modifications of the NPs have been performed using the surface-active agent, the coupling agent, fatty acid and ethanol [5,7–11]. Amino acids are known as the cost-effective biomaterials with suitable biodegradability, biocompatibility, nontoxicity and eco-friendly properties, making them ideal candidates for tissue engineering applications. Moreover, the best solvent for amino acids is water as a nontoxic, natural, environmentally friendly and inexpensive solution [12–14]. Due to the presence of OH
groups on the surface of MgFHA NPs, they considerably tend to be agglomerated in a polymeric matrix. In addition, these superficial OH
groups cause the Mg-FHA NPs to be linked to amino acid molecules. As a result of the chemical bonding between superficial OH
groups of Mg-FHA NPs and the amino acid molecules, the surface of Mg-FHA NPs is changed from a hydrophilic state to a hydrophobic one, leading to the uniform distribution of particles in an organic solution. Thus, the amino acids can be considered as appropriate choices for the surface modification of nanobioceramics, especially in a polymeric matrix [12–15]. In this study, the surface of Mg-FHA NPs was chemically modified by different natural bioactive amino acids to improve NPs dispersion in the polymeric matrix. The modified NPs were characterized by Fourier transmission infrared spectroscopy (FT-IR), dispersion stability, X-ray diffraction (XRD), field emission scanning electron microscopy (FE-SEM), transmission electron microscopy (TEM) as well as thermogravimetry analysis (TGA).

2. Experimental method

2.1. Surface modification of Mg-FHA NPs

Mg-FHA NPs were prepared using the sol–gel technique according to a previous research by Biomaterials Research Group lab [1]. Briefly, the starting materials were P2O5 (99.9%), Mg (NO3)2 6H2O (99.9%) and Ca(NO3)2 4H2O (99.9%). Appropriate amounts of the mentioned materials with the stoichiometric composition of Ca9.5Mg0.5(PO4)6(OH)F were independently dissolved in absolute ethanol. These solutions were added drop wise to each other to obtain a solution with a (Ca, Mg)/P ratio of 1.67. The final mixture was continuously stirred for 24 h at ambient temperature to form a gel. As-formed gel was aged for 24 h at ambient temperature and dried in an oven at 100 1C in air for another 24 h. The dried gel was sintered with a heating rate of 5 1C/min up to 650 1C for 1 h in a muffle furnace. The natural amino acids, including L-leucine, L-isoleucine, L-methionine, L-phenylalanine, L-tyrosine and L-valine, were utilized without further purification. The aforementioned amino acids with the concentration of 10 wt% were dissolved in 20 mL of distilled water at room temperature. The prepared Mg-FHA NPs were dried at 120 1C for 24 h to remove the adsorbed water. Then, the Mg-FHA NPs (1.0 g) were added into the ethanol solution containing the amino acid, and stirred at room temperature for 24 h. The prepared mixture was placed into an ultrasonic bath for 30 min. Finally, the obtained suspension was filtered and washed by ethanol several times to eliminate unreacted amino acid molecules, and the remaining powder was subsequently dried at 60 1C for 24 h. The schematic diagram of the surface modification process for MgFHA NPs is presented in Fig. 1.

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

فهرست مقاله:

چکیده
یادداشت های بیوگرافی: 
1. مقدمه 
2. سیستم های زیست پزشکی
2.1 مقدمه 
2.2. کاربردها 
2.3. پژوهش آینده
3. ساختار و طراحی op – amp موجود 
3.1 مقدمه 
3.2 طراحی op amp با استفاده از ولتاژ منبع پایین
4. ساختار op – amp پیشنهادی 
4.1. آینه های جریان 
5. نتایج شبیه سازی 
6 نتیجه گیری

بخشی از ترجمه فارسی مقاله:

1. مقدمه
اخیرا، یک تقاضای روبه افزایش برای مدارهای یکپارچه ی سیگنال مجتمع با نویز پایین و توان پایین، در سیستم های پزشکی قابل حمل وجود دارد. بنابراین، یک سطح بالایی از یکپارچگی سیستم برای مدیریت سیستم پتانسیل زیستی مورد نیاز است. معمول ترین پتانسیل های زیستی مشاهده شده که برای تشخیص پزشکی مورد استفاده قرار گرفته اند، به صورت غیر تهاجمی با الکترودهایی که روی سطح پوست قرار داده می-شوند پایش می شوند (Lee et al., 2006a, 2006b). این ها شامل الکتروکاردیوگرام (ECG) که فعالیت قلب را پایش می کند؛ الکترومیوگرام (EMG)، که سایر فعالیت های عضلانی در بدن را پایش می کند، و الکتروانسفالوگرام (EEG) که فعالیت الکتریکی در مغز را توسط پتانسیل های ضعیف روی پوست سر پایش می-کند، می باشند. چندین روش برای یکپارچه کردن تکنولوژی CMOS با استفاده از آنالوگ front end انجام شده اند. عموما، تراشه ی یکپارچه یک محصول نسبتا کم هزینه، اما با مصرف قدرت بالا برای سیگنال های ECG و EEG ارائه می کند. برای غلبه بر این مشکل، اجزا قابل برنامه ریزی با مبادله ی قابل تعدیل بین نویز و اتلاف قدرت در همان تراشه تعبیه شده است. از آنجایی که منبع نویز اصلی در حلقه ی ثبت سیگنال های زیست پزشکی در اولین مولفه یعنی پیش تقویت کننده، که ترکیبی از تقویت کننده های عملیاتی می باشد، مشاهده شده است، یک تقویت کننده ی عملیاتی قابل برنامه ریزی (op-amp) یک جزء کلیدی است (Van Helleputte et al., 2008).
Op-amp قابل برنامه ریزی بر اساس تکنولوژی مدار موجود در هوگرورست و هویجسینگ (1996) طراحی شده است. op-amps ارائه شده در برونسکووسکی و شرودر (2007) و میر اوف در هید و همکارانش (2007) از این تکنولوزی برای طراحی خودش استفاده کرده است و با استفاده از تکنولوژی CMOS 0.35 میکرومتر با یک ولتاژ منبع 3.3 ولتی اجرا شده است. آن سطح بزرگی را اشغال می کند و مصرف قدرت بالایی دارد. بنابراین، ولتاژ منبع op-amps قابل برنامه ریزی، در حدود 1 ولت حفظ می شود تا اتلاف قدرت کمتر را تضمین کند. اما، توپولوژی های مدار آنالوگ مرسوم، با این ولتاژ منبع کار نمی کند چون مقیاس اندازه ی دستگاه پایین آورده شده است، ولتاژ آستانه ی ترنزیستورهای MOS کاهش نیافته بود چون این می توانست منجر به افزایش جریان های نشتی شود. این مساله می تواند با استفاده از MOSFETS های متناوب مانند MOSFETs های دارای دریچه ی شناور، MOSFETS های تحریک شده و DTMOS تسکین داده شود. یک op-amp V1.2 در یک فرایند CMOS 0.35 میکرونی (Riiisanen-Ruotsalainen et al., 2000) با استفاده از ترنزیستورهای ورودی با دریچه ی شناور یکپارچه می شود تا محدوده ی ولتاژ حالت معمول ورودی op-amp را افزایش دهد اما به خاطر تقسیم خازنی، سیگنال ورودی ضعیف می شود که منجر به بهره ی ضعیف تر، محصول پهنای باند با بهره کمتر و خصوصیات نویز پایین تر می شود. در ترنزیستورهای تحریک شده ی بزرگ (Lasanen et al., 2000)، محدودیت های ولتاژ آستانه ناپدید می شود اما دستگاه ها مقدار هدایت عرضی پایین تر داشتند که به دلیل توان (ظرفیت الکتریکی) کنترل کمتر لایه ی تخلیه ، توان پارازیتی بزرگتر که فرکانس را پایین تر می آورد و ورودی بالاتر نویز ارسالی می باشد. طراحی op-amp بر اساس ترنزیستورهای ولتاژ آستانه ی داینامیک (DTMOS)، برای کاربردهای زیست پزشکی ولتاژ پایین و توان پایین ترجیح داده می شود (Achigui et al., 2003). بدنه و دریچه ی این ترنزیستور DTMOS در پتانسیل مشابه، دارای بایاس می شود. بنابراین، آن قادر به پردازش سیگنال های نوری با دامنه ی پایین می باشد و برای ساخت بخش گیرنده ی front end دستگاه فلوتومتری طیفی مادون قرمز نزدیک (NIRS) مورد استفاده قرار گرفته است. از طرف دیگر، op – amp به نویز لرزشی حساس می باشد (1/f)، که آن را در کاربردهای زیست پزشکی با فرکانس پایین بسیار مضر می سازد که به دلیل طیف قدرت و آفست ولتاژ آن می باشد. بنابراین، توانایی برنامه ریزی op amp باید به طوری بهره برداری شود که، اگر کاربردهای پزشکی مختلف در یک تراشه با هم ترکیب شده باشند، هم در حالت نویز پایین و هم در حالت توان پایین کار کند. یک کاربرد از این نوع از op amp در آنالوگ front end یک سیستم روی تراشه (SoC) برای دستیابی به سیگنال زیست پزشکی مورد استفاده قرار گرفته بود (Hafkemeyer et al., 2007). برای مثال، op amp در وضعیت نویز پایین برای ثبت های EEG حساس یا حالت قدرت پایین برای کاربردهای ECG متحرک برنامه ریزی می شود. برخلاف op ampsهای مرسوم، op amps های قابل برنامه ریزی مزیت وفق پذیری با خصوصیات سیستم را دارند.
در این مقاله، یک op amp قابل برنامه ریزی بهبود یافته که بر عیب op ampsهای مرسوم غلبه کرده بود، پیشنهاد شده است و با استفاده از تکنولوژی CMOS 130 نانومتری با ولتاژ منبع 1.2 ولتی اجرا شده است. بخش 2، عملیات پایه ی و اجرای طراحی ساختار op amp موجود را توصیف می کند. ساختار op ampهای بهبود یافته و طراحی آن ها در بخش 3 توصیف شده است. نتایج شبیه سازی در بخش 4 ارائه شده است و نتایج در بخش 5 ارائه شده اند.

بخشی از مقاله انگلیسی:

1 Introduction

Currently, there is an ever-growing demand for low-power and low-noise mixed signal integrated circuits, in portable medical systems. So, a high level of system integration is required to handle bio-potential system. The most commonly observed bio-potentials used for medical diagnoses are monitored non-invasively with electrodes placed on the surface of the skin (Lee et al., 2006a, 2006b). These include the Electrocardiogram (ECG), which monitors heart activity; the Electromyogram (EMG), which monitors other muscle activity in the body, and the Electroencephalolgram (EEG), which monitors electrical activity in the brain via weak potentials on the scalp. Several approaches are carried out to integrate analogue front-end using CMOS technology. Generally, the integrated chip offers a relatively low-cost product for both ECG and EEG signals, but with high-power consumption. To overcome this problem, programmable components with adjustable trade-off between noise and power dissipation are embedded in the same chip. Since the main noise source in the recording chain of bio-medical signals is found in the fi rst component, i.e., the preamplifi er, which consists of operational amplifi ers, a programmable operational amplifi er (op-amp) is a key component (Van Helleputte et al., 2008). Programmable op-amps are designed based on the circuit topology in Hogervorst and Huijsing (1996). The op-amps presented in Bronskowski and Schroeder (2007) and Meier auf der Heide et al. (2007) uses this topology for its design and is implemented using 0.35 µm CMOS technology with a supply voltage of 3.3 V. It occupies large area and has large power consumption. So, the supply voltage of programmable op-amps is kept around 1 V to ensure less power dissipation. But, conventional analogue circuit topologies will not work with this supply voltage because as the device sizes are scaled down, the threshold voltage of MOS transistors does not reduce, as this could cause increased leakage currents. This problem can be alleviated by using alternate MOSFETS like fl oating gate MOSFETs, bulk driven MOSFETs and DTMOS. A 1.2 V op-amp has been integrated in a 0.35 µm CMOS process (Riiisanen-Ruotsalainen et al., 2000) using fl oating-gate input transistors to increase the input common mode voltage range of the op-amp, but owing to the capacitive division, the input signal gets attenuated resulting in poor gain, less gain bandwidth product and inferior noise properties. In bulk driven transistors (Lasanen et al., 2000), the threshold voltage limitation disappears but the devices have lower transconductance value because of smaller control capacitance of the depletion layer, larger parasitic capacitance that lowers frequency and higher input referred noise. Op-amp design based on dynamic threshold voltage (DTMOS) transistors is preferred for low voltage, low power bio-medical applications (Achigui et al., 2003). The body and the gate of this DTMOS transistor are biased at the same potential. So, it is capable of processing ultra low-amplitude light signals and is used to build the front-end receiver part of a Near Infrared Spectrore Flectometry (NIRS) device. On the other hand, the op-amp is susceptible to fl icker noise (1/f), which makes it very harmful in low-frequency bio-medical applications because of its power spectrum and voltage offset. So, the programming ability of the op-amp should be exploited to work in both low-noise mode and low-power mode if different medical applications are combined in one chip. An application of this type of Op-amp is used in the analogue front-end of a System on Chip (SoC) for bio-medical signal acquisition (Hafkemeyer et al., 2007). For example, the op-amp is programmed in low-noise mode for sensitive EEG recordings or low-power mode for mobile ECG applications. In contrast to conventional op-amps, programmable op-amps have the advantage of being adaptable to system specifi cation. In this paper, an improved programmable op-amp, which overcomes the disadvantages of conventional op-amps, is proposed and implemented using 130 nm CMOS technology with 1.2 V supply voltage. Section 2 describes the basic operation and design implementation of the existing op-amp architecture. The improved op-amp’s architecture and its design are discussed in Section 3. Simulation results are provided in Section 4 and conclusions are presented in Section 5.

تکثیرپذیری تغییر سیگنال BOLD حاصل از نگه داشتن دم (نفس)

مبتدی (مناسب برای درک مفهوم کلی مطلب)

F2152

توافقنامه fMRI

از افراد خواسته شد که نفس خود را برای 9، 15 یا 21 ثانیه (BH21, BH15, BH9) در طول مراحل جداگانه و مجزا نگه دارند. در هر مرحله مدت زمان نگه داشتن نفس (دم) برابر بود، هر کدام 9 یا 15 یا 21 ثانیه. هر مرحله با دو اسکن مصنوعی که هر کدام 3 ثانیه طول می کشید آغاز شد و به دنبال آن 42 ثانیه تنفس عادی صورت می گرفت. بعد از این، افراد پنج دوره نگه داشتن دم را اجرا کردند، که بطور متناوب برای هر مرحله 42 ثانیه تنفس عادی وجود داشت (شکل 1). هر دوره نگه داشتن دم قبل از نفس عمیق 3 ثانیه ای و بعد از دوره نفس کشیدن عادی بود. پس از آخرین دوره تنفس طبیعی یک دوره اضافی تنفس خودبخودی نیز به ترتیب با زمانهای 60 ثانیه و 30 ثانیه به مراحل BH9 و BH15 اضافه شد. این امر به منظور گرفتن تعداد اسکنهای کسب شده که در کل 126 مورد برای هر مرحله بود و برای هر سه مرحله یکسان بود، ضرورت داشت. یک کلمه رنگی بر روی یک صفحه سیاه برای کمک کردن افراد در زمان تنفس در هر مرحله نمایش داده شد. فرد میبایست بطور عادی نفس می کشید در حالیکه کلمه تنفس (نفس بکش) به شکل سفید رنگی بر روی صفحه نمایش داده می شد. کلمه نفس عمیق نیز برای 3 ثانیه و به رنگ زرد برای دستور دادن به افراد در جهت اجرای تنفس عمیق نمایش داده شد. افراد باید نفس خود را به محض اینکه کلمه قرمز رنگ نگه داشتن نفس ظاهر می شد تا زمانیکه از روی صفحه محو میشد نگه میداشتند. ترتیب سه مرحله در میان افراد متعادل بود. افراد همین توافقنامه را بعد از 15 تا 20 روز تکرار می کردند.

این کار با استفاده از E-Prime (نرم افزار روانشناسی، شرکت پیتسبرگ، امریکا) انجام شد. ارائه محرک با گرفتن MR با استفاده از سیستم تصویربرداری کارکردی یکپارچه (MRI، گینسویل، امریکا) همگام شد.

به افراد دستور داده شد که در طول تنفس و نگه داشتن دم خود سرهایشان را حرکت ندهند. علاوه بر این، آنها برای هر دوره نگه داشتن دم در جهت ایجاد نفس عمیق مقدم بر هر مرحله نگه داشتن نفس که بطور برابری در مدت زمان و گسترش قفسه سینه بود و نیز در جهت پرهیز از انقباض عضله شکم در پایان تنفس عمیق آموزش داده شدند. یک مرحله آموزشی کوتاه مدت نیز بعد از اینکه فرد در داخل اسنکنر قرار اجرا شد و حرکت سر با استفاده از پدهای نرم محدود شد. علاوه بر این، به افراد در مورد طول زمان نگه اشتن نفس در شروع هر مرحله تذکر داده شد.

رعایت کردن و اجابت کارهای خواسته شده از افراد و توانایی نگه داشتن دم در طول مراحل اسکن با استفاده از یک کمربند تنفسی در اطراف پایه قفسه سینه مورد نظارت قرار گرفت. از افراد خواسته شد که در مورد عملکرد خود در پایان هر مرحله اسکن گزارش دهند.

 توافقنامه FMRI بصورت یک عمل نواری که دارای پنج دوره کاری است که مراحل را ایجاد می کنند ارائه می شود. همه افراد سه مرحله نگه داشتن دم (9، 15 و 21 ثانیه) را در مراحل مجزا اجرا کردند. برای هر مرحله، هر فرد پنج دوره BH را به فاصله 42 ثانیه تنفس عادی اجرا کرد. یک دوره واحد به منظور مشخص نمودن نشانه بصری که افراد را طول هر مرحله راهنمایی می کرد بزرگنمایی شده است (سفید: نفس بکشید، زرد: نفس عمیق بکشید و قرمز: نفس خود را نگه دارید).

پیش پردازش اطلاعات FMRI

تصاویر آناتومی و عملکردی با استفاده از ویاگر QX 1.9.10 (نوآوریهای مغزی، ماستریکت، هلند) پردازش شد. داده های آناتومی (تصاویر وزنی T1 سه بعدی) برای زمینه B1 اصلاح و به فضای استاندارد مختصات تالیراک و AC-PC انتقال داده شدند. داده های کارکردی بصورت زیر پردازش شدند: 1) 6 ثانیه اول (2 اسکن) هر مرحله برای اطمینان از حالت پایدار مغناطیسی طولی کنار گذاشته شدند؛ 2) تصحیح زمان بندی اسکن قطعه با الحاق سینک اجرا شد؛ 3) اصلاح حرکت سه بعدی با تنظیم درون مرحله ای اجرا شد (6 تبدیل صلب پارامتر، 3 چرخش و 3 حرکت انتقالی). حرکت انتقالی تخمینی و پارامترهای چرخشی برای مثتثنی کردن حرکات سر افراد بیش از 3 میلی متر یا دو درجه فضایی (عرض کامل در بیشترین نیمه=5) بررسی شدند و فیلتر زمانی (فیلتر عبور بالای 006/0 هرتز و حذف روند خطی) به منظور حذف ریشه های پایه اعمال شدند. داده های سریهای زمانی کارکردی هر فرد ابتدا با مجموعه  داده های آناتومی سه بعدی افراد ثبت شد، و به دنبال آن کاربرد تبدیل ماتریسهای مشتق شده از مراحل تبدیل فضایی برای مجموعه داده های آناتومی سه بعدی اجرا شد. این مراحل منجر به داده های دوره های زمانی چهار بعدی نرمالایز شده شد (گوبل، 2006). برای هر فرد ماده خاکستری قشری (GM) با استفاده از ابزار تقسیم پیشرفته بر روی T1-3D در وییگر مغزی تقسیم شد. هسته این ابزار یک محاسبه تطبیقی از آستانه های شدت برای محلی سازی مرزهای بین GM قشری و ماده سفید (WM) است. در نتیجه، ماده خاکستری قشری می تواند به صورت قابل اعتمادی از WM ، مایع مغزی نخاعی و ساختارهای ماده خاکستری زیر قشر مغز جدا شود. به منظور دستیابی به بهترین نتیج، ما همه مراحل پیش پردازش مورد نیاز شامل اصلاح ناهمگنی سیگنال و افزایش کنتراست بافت را انجام دادیم.

علاوه بر این، برای هر فرد بخشی از ماده خاکستری قشری قطعه قطعه شده موجود بر روی صفحه AC-PC با استفاده از سیستم شبکه تناسبی توصیف شده توسط تالایراچ و تورنوکس (1988) به زیرنواحی تعریف شده تقسیم بندی شد، بر این اساس، کل مغز به 864 بخش مجاور تقسیم شد. ما همین شبکه تناسبی را برای ماده خاکستری قشری را با نصف کردن انجام دادیم، با این حال وضوح شبکه تناسبی در امتداد محورهای X، Y و Z، جدا از بخشهای موجود بین صفحات عمودی AC و PC، جاییکه وضوح و رزولوشن تنها در امتدار محورهای X و Z نصف شده بود (شکل 2). ماده خاکستری موجود در هر 80 زیرمجموعه بالای صفحه AC-PC بطور مجزا تحلیل شد، با کنار گذاشتن زیرنواحی که عاری از هر ماده خاکستری قشری بودند. این فرآیند منجر به 76 زیرناحیه شد زیرا 4 زیرناحیه موجود در بالاترین راس سیستم شبکه اصلاح شده عاری از هر گونه ماده خاکستری بود.

تحلیل داده ها

ما آنالیزهای خود را به GM قشری که برای هر فرد بر اساس اطلاعات آناتومی منفرد مشتق میشد محدود کردیم و آنرا بعنوان ناحیه مورد علاقه (ROI) تعریف کردیم.

برای هر اجرای فرد ما زمان سیگنال و همه واکسل های موجود در ROI را متوسط گیری کردیم. سپس، مقدار متوسط 6 ثانیه (دو اسکن) قبل از هر آزمون بعنوان خط پایه که از طریق آن ما درصد تغییر سیگنال را محاسبه می کردیم استفاده می شد. مدت زمان هر اجرا سپس به پنج دوره تقسیم شد، هر کدام 6 ثانیه قبل از دستورالعمل شروع می شدند و زمانی پایان پیدا می کردند که دستورالعمل زیر برای نفس عمیق ارائه می شد. درصد تغییر سیگنال 5 دوره میانگین گیری شد. ما مثبتترین و منفی ترین مقادیر (PSC) حاصل از شروع دوره نگه داشتن دم را انتخاب کردیم. ما همچنین زمان رسیدن به اوج (TTP) را با ضرب در 3 ثانیه تعداد اسکنهای حاصل از شروع دوره نگه داشتن دم برای PSC مثبت و منفی محاسبه کردیم. در نهایت، ما انتگرال ناحیه ای که منحنی در اطراف هر PSC قرار دارد را بین نقاط قبل و بعد از PSC در دوره زمانی که سیگنال به صفر رسید یا دوره پایان یافت را محاسبه کردیم. همه محاسبات با استفاده از روال توسعه یافته (متلب، شرکت متورکس، ناتیک، امریکا) اجرا شدند.

روش مبتنی بر مدل واکسل وایز (مدل خطی معمول، GLM) برای محاسبه ضریب بتا و تعداد واکسل هایی که در آن تفاوت سیگنال قابل توجه بود مورد استفاده قرار گرفت. به منظور ایجاد رگرسیون GLM، مدل طرح بلاکی دوره BH با تابع پاسخ همودینامیک (HRF) که بطور رایج برای مطالعات FMRI شناختی تطبیق داده می شود از بین رفت (گلور، 1999). این HRF یک تابع دو گاما با پیک زمانی مثبت در 5/5 ثانیه است. ما انتظار یک تاخیر اضافی در تغییر سیگنال MR حاصل از BH را داشتیم. این تاخیر به بسیاری از عوامل فیزیولوژیکی مرتبط با تزریق وریدی ریه، تهویه ریه و واکنش پذیری سنسور دی اکسید کربن بستگی دارد و نمی تواند برای هر فرد پیش بینی شود و از لحاظ نظری می تواند بین اجراها نیز تفاوت داشته باشد. به همین دلیل ما تجزیه و تحلیل اکتشافی را برای هر اجرا با استفاده از یک تابع باکسکار پیچیده با HFR تک گامایی انجام دادیم (بوینتون، 1996). آنالیز همبستگی متقابل که باعث تغییر در این تابع بر حسب زمان می شود (10 مرحله، هر کدام 3 ثانیه به ما این اجازه را داد که تغییر زمانی که در آن واکسل بیشترین پاسخ را دارد (آستانه همبستگی: pb≤0.05) شناسایی کنیم. ما تغییر زمانی متوسط همه واکسل ها را در ROI ماده خاکستری قشری محاسبه و از این مقدار برای تغییر تابع دوگامایی مدل شده در آنایز GLM در زمان استفاده کردیم.

تخمین پارامتر GLM (ضرایب بتا) برای هر واکسل محاسبه شد. تعداد واکسل ها با تغییر سیگنال قابل توجه از نگاشته های پارامتری آزمون t تغییر سیگنال در طول BH در مقایسه با تنفس طبیعی محاسبه شد. درصد واکسل های باقیمانده آستانه pb≤0.05 اصلاح شده برای مقایسه چندگانه محاسبه شد.

 سمت چپ سیستم شبکه تناسبی استفاده شده برای تقسیم مغز بالای صفحه AC-PC به 80 زیرناحیه را نشان می دهد. سمت راست مقدار CV داخلی مربوط به 40 زیرناحیه را در دو سطح محوری برای BH15 و BH21 نشان می دهد.

آنالیز واریانس برای اندازه گیریهای مکرر (1 عامل: مدت BH؛ 3 سطح: 9، 15 و 21 ثانیه) با استفاده از نرم افزار SPSS 13 (شرکت SPSS، شیکاگو، امریکا) اجرا شد. مدل بطور مجزا برای تمامی پارامترهای محاسبه شده (PSC، TTP، سطح، Lag، حجم و بتا) بکار گرفته شد. همین مدل برای محسابه تفاوتهای سیگنال در طول سه مدت زمان BH، بطور مجزا برای هر نقطه زمانی منحنی استفاده شد.

کیتوزان و مشتقات آن برای کاربردهای مهندسی بافت

Chitosan and its derivatives for tissue engineering applications

چکیده

1-مقدمه

2- کیتوزان به عنوان ماده پشتیبان بافت

3- مشتقات کیتوزان برای کاربرد های مهندسی بافت

4-کاربرد کیتوزان و مشتقات آن برای اندام های مصنوعی

4-1 پوست

4-2 استخوان

4.3 غضروف

4.4 کبد

4-5 عصب

4-6 رگ های خونی

5-نتیجه گیری

چکیده

مهندسی بافت یک راهبرد درمانی مهم برای پزشکی امروز و آینده است. اخیرا، تحقیقات زیست مواد بیشتر در راستای توسعه داربست های پیشرفته برای پزشکی ترمیمی بوده است. کیتوزان یک پلیمر طبیعی تولید شده از منابع تجدید پذیر می باشد که از پوست صدف و پسماند های صنعت غذا های دریایی بدست می اید. این ماده دارای خصوصیات جدید و منحصر به فردی نظیر زیست سازگاری، زیست تجزیه پذیری، ضد باکتریایی و فعالیت التیام زخم می باشد. به علاوه، مطالعات اخیر نشان داده است که کیتوزان و مشتقات آن، کاندید های مفید و ارزشمندی به عنوان مواد پشتیبان یا داربست برای کاربرد های مهندسی بافت به دلیل ساختار متخلخل خود، خواص تشکیل ژل، سهولت اصلاح شیمیایی، قرابت و مشابهت بالا به ماکرومولکول های زنده یادرون تنی و غیره می باشند. در این مقاله مروری، ما بر انواع مختلف مشتقات کیتوزان و کاربرد آن ها در زمینه های مهندسی بافت نظیر پوست، استخوان، غضروف، کبد، رگ های خونی و عصبی تاکید خواهیم داشت.

5-نتیجه گیری

مهندسی بافت موسوم به پزشکی ترمیمی یک درمان پزشکی ایده ال برای بیماری هایی است که با روش های موجود به سختی درمان می شوند. این مهندسی زیست پزشکی برای ترمیم قطعات اسیب دیده بدن و احیای کارکرد آن ها با بافت های ازمایشگاهی، مواد و ایمپلنت های مصتوعی استفاده می شود. برای ترمیم یافت های آسیب دیده، این مهندسی زیست پزشکی از سه ابزار استفاده می کند: سلول های زنده، مولکول های سیگنال و داربست. کیتوزان یکی از مواد زیستی مفید در مهندسی بافت است زیرا خصوصیات فیزیکی و شیمیایی و زیستی عالی برای ترمیم بافتی دارد. در این مقاله، ما نمونه هایی از مشتقات کیتوزان اصلاح شده را برای کاربرد ترمیم یافتی معرفی کردیم و راهبرد های استفاده از ان ها را به عنوان داربست در انواع مختلف بافت نظیر پوست، غضروف، کبد و سلول های خونی بررسی کردیم. این مطالعه کاربرد کیتوزان را به عنوان ماده بالقوه برای بافت ها و اندام های مصنوعی اثبات کرد. ولی این هنوز چالش هایی نظیر بهبود خواص مکانیکی ضعیف آن به عنوان یک جایگزین مصنوعی، راهبرد تحویل فاکتور های رشد به داربست کیتوزان، زیست سازگار پذیری در کاربرد های ایمپلنت باید در نظر گرفته شود.

Abstract

Tissue engineering is an important therapeutic strategy for present and future medicine. Recently, functional biomaterial researches have been directed towards the development of improved scaffolds for regenerative medicine. Chitosan is a natural polymer from renewable resources, obtained from shell of shellfish, and the wastes of the seafood industry. It has novel properties such as biocompatibility, biodegradability, antibacterial, and wound-healing activity. Furthermore, recent studies suggested that chitosan and its derivatives are promising candidates as a supporting material for tissue engineering applications owing to their porous structure, gel forming properties, ease of chemical modification, high affinity to in vivo macromolecules, and so on. In this review, we focus on the various types of chitosan derivatives and their use in various tissue engineering applications namely, skin, bone, cartilage, liver, nerve and blood vessel.

5- Conclusions

Tissue engineering as termed ‘Regenerative Medicine’ is regarded as an ultimately ideal medical treatment for diseases that have been too difficult to be cured by existing methods. This biomedical engineering is designed to repair injured body parts and restore their functions by using laboratory-grown tissues, materials and artificial implants. For regeneration of failed tissues, this biomedical engineering utilizes three fundamental tools: living cell, signal molecules, and scaffold. Chitosan is one of the most promising biomaterials in tissue engineering because it offers a distinct set of advantageous physico-chemical and biological properties that qualify them for a variety of tissue regeneration. In this review, we presented the examples of the various types of chitosan derivatives modified for tissue engineering application and also introduced the strategies for using them as a scaffold in various kinds of organ such as skin, bone cartilage, liver, nerve and blood vessel. This survey has demonstrated the utility of chitosan as potential materials for various artificial tissue and organs. However, there are still many challenges such as improving its poor mechanical property as an artificial substitute, effective delivery strategy of growth factors to chitosanbased scaffold, demonstrating biocompatibility as well as sterility that must be addressed in various implant applications.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

کیتوزان و مشتقات آن برای کاربردهای مهندسی بافت

Chitosan and its derivatives for tissue engineering applications

ابزارهای زیست پزشکی بر مبنای پردازش سیگنال الکترواکولوگرام (EOG) و کاربردهای آن به یک سیستم هشدار بیمارستان

Biomedical Instrumentation based on Electrooculogram (EOG) Signal Processing and Application to a Hospital Alarm System

چکیده

1- مقدمه

2- اصول اندازه گیری پتانسیل زیستی EOG

الف) الکترود های Ag-AgCl و ژل الکترولیت

ب) حداقل کردن نویز، مصنوعات حرکتی و تداخل بین کانال ها

ج) تقویت کننده های پتانسیل های زیستی

د) تضمین امنیت بیمار

3- سیستم های ردگیری تخم چشم مبتنی بر EOG

الف) اکتساب سیگنال

ب) فیلتر و تقویت سیگنال

ج) تعیین آستانه ها

د) ایزوله سازی نوری

ه) بلوک منطقی تصمیم گیری و آرایه ی LED ها

4- سیستم شناسایی پلک زدن چشم مبتنی بر EOG

5- استفاده از پردازش سیگنال EOG – سیستم های اخطار بیمارستانی دو مرحله ای

6- نتایج و مباحث

7- جمع بندی

کار های تحقیقاتی فعلی در IIT HUWAHATI در رابطه با سیگنال های EOG

چکیده

سیگنال الکترواکولوگرام (EOG) با استفاده از سیستم های اکتساب سیگنال دو کانال به دست می آید و سپس از این سیگنال، مصنوعات حرکتی و سیگنال های مداخله ای اصلی، حذف می شوند. سپس این سیگنال برای استفاده در سیستم های ابزار دقیق مهندسی پزشکی مانند ردگیری مسیر حرکت چشم و یا شناسایی پلک زدن، پردازش می شود. این مقاله همچنین به موضوع استفاده از پردازش سیگنال EOG برای کنترل کردن سیستم های اخطار بیمارستانی دو مرحله ای، می پردازد. کنترل های زیستی مبتنی بر EOG می تواند جایگزین مناسبی برای طرح های کنترلی فعلی باشد، به خصوص برای شرایط فلجی بدن از گردن به پایین و یا بیماران مبتلا به فلجی های شدید.

7- جمع بندی
سیگنال های EOG در این قسمت از طریق روند کسب دو کاناله به دست آمده است و مصنوعات رایج و تداخل های بین کانال ها نیز در این سیگنال ها حذف شده است. این سیگنال ها به صورت مناسب مورد پردازش قرار گرفت و سپس برای کاربرد هایی مانند سیستم های ردیابی تخم چشم ، سیستم شناسایی پلک زدن و سیستم های اخطار بیمارستانی دو مرحله ای مورد استفاده قرار گرفت. با اکتساب دقیق این سیگنال ها، پردازش های اضافی و دمل سازی های دقیق، می توان از این سیگنال های EOG به عنوان جایگزین طرح های کنترل زیستی فعلی مبتنی بر سیگنال هایی مانند EMG و EEG استفاده کرد، به خصوص برای بیمارانی که از نظر حرکتی مشکل دارند و یا به نوعی فلج هستند.

Abstract

The electrooculogram (EOG) signal is acquired by a bi-channel signal acquisition system and prominent artifacts and interference are suppressed. It is then processed for use in biomedical instrumentation systems such as eyeball tracking and blink detection. This paper also discusses the application of EOG signal processing to the control of a dual stage hospital alarm system. EOG based bio-control is found to be a suitable alternative to current control schemes, especially for quadriplegics and severely paralyzed patients.

VII- CONCLUSION

The EOG signal has been acquired through a bi-channel acquisition process and common Hrtifacts and inter-channel interference have been suppressed. It was suitably processed and used in applications such as the eyeball tracking system, eye blink detection system and the dual stage hospItal alarm system. With careful acquisition, additional processing and precise modeling, the EOG signal can otler a viable replacement for the ctuTently popular bio-control schemes based on signals such as the EMG and EEG, especially for immobile and paralyzed patients.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

ابزارهای زیست پزشکی بر مبنای پردازش سیگنال الکترواکولوگرام (EOG) و کاربردهای آن به یک سیستم هشدار بیمارستان

Biomedical Instrumentation based on Electrooculogram (EOG) Signal Processing and Application to a Hospital Alarm System