• Restorative Dentistry and Endodontics
• /
• 제36권4호
• /
• pp.280-289
• /
• 2011

연구목적: 본 연구의 목적은 다양한 소수성을 지닌 최신 상아질 접착시스템과 저수축 silorane 레진의 미세인장결합강도를 평가하는 것이다. 연구 재료 및 방법: 36개의 갓 발치된 제3대구치를 이용했다. Low-speed diamond saw를 사용하여 교합면에 평행하게 치관을 잘라 middle dentin을 노출시켰다. 치아를 무작위로 9 group으로 나눴다. Silorane self-etch adhesives (SS), SS + phosphoric acid etching (SS + pa), Adper Easy bond (AE), AE + Silorane system bonding (AE + SSb), Clearfil SE bond (CSE), CSE + SSb, All-Bond 2 (AB2), AB2 + SSb, All-Bond 3 (AB3). 접착제를 적용한 후에 Filtek LS (3M ESPE)를 2 mm씩 3회 적층충전하였다. 각 층은 40s씩 광중합하였다. 0.8 mm ${\times}$ 0.8 mm stick을 Micro Tensile Tester로 1 mm/min cross-head speed의 인장력을 가하였다. 파절양상를 관찰하기 위해 광학현미경을 이용하였다. 5가지 접착제의 소수성정도를 결정하기위해 water sorption test하였다. 결과: silorane 레진과 5가지 접착제의 ${\mu}TBS$: SS, 23.2 ${\pm}$ 6.9 MPa; CSE, 19.4 ${\pm}$ 4.4 MPa; AB3, 30.3 ${\pm}$ 4.0 MPa; AB2와 AE, no bond. Additional layering of SSb: CSE + SSb, 26.2 ${\pm}$ 10.3 MPa; AB2 + SSb, 33.9 ${\pm}$ 7.3 MPa; AE + SSb, no bond. 높은 ${\mu}TBS$는 cohesive failure와 관련있었다. SS는 낮은 가장 낮은 water sorption을 보였고 다음으로 AB3, AE, CSE, AB2 순서였다. AE는 가장 높은 용해도를 나타냈고 다음으로 CSE, AB2였다. 결론: 접착제의 소수성이 증가할수록, silorane 레진의 접착강도도 증가하였다. 비전용접착제 위에 silorane adhesive bonding을 layering하는 것은 AB2 + SSb 그룹에서만 결합강도를 유의하게 증가시켰다. AB3는 SS와 유사한 ${\mu}TBS$ & water sorption을 나타냈다. 따라서 AB3는 siloran resin을 접착시키는데 SS를 대체할만한 경쟁력있는 접착제이다.

• 전기전자학회논문지
• /
• 제25권3호
• /
• pp.493-500
• /
• 2021

본 논문에서는 다각형 용기의 품질 향상을 위한 딥러닝 구조 개발을 제안한다. 딥러닝 구조는 convolution 층, bottleneck 층, fully connect 층, softmax 층 등으로 구성된다. Convolution 층은 입력 이미지 또는 이전 층의 특징 이미지를 여러 특징 필터와 convolution 3x3 연산하여 특징 이미지를 얻어 내는 층이다. Bottleneck 층은 convolution 층을 통해 추출된 특징 이미지상의 특징들 중에서 최적의 특징들만 선별하여 convolution 1x1 ReLU로 채널을 감소시키고convolution 3x3 ReLU를 실시한다. Bottleneck 층을 거친 후에 수행되는 global average pooling 연산과정은 convolution 층을 통해 추출된 특징 이미지의 특징들 중에서 최적의 특징들만 선별하여 특징 이미지의 크기를 감소시킨다. Fully connect 층은 6개의 fully connect layer를 거쳐 출력 데이터가 산출된다. Softmax 층은 입력층 노드의 값과 연산을 진행하려는 목표 노드 사이의 가중치와 곱을 하여 합하고 활성화 함수를 통해 0~1 사이의 값으로 변환한다. 학습이 완료된 후에 인식 과정에서는 학습 과정과 마찬가지로 카메라를 이용한 이미지 획득, 측정 위치 검출, 딥러닝을 활용한 비원형 유리병 분류 등을 수행하여 비원형 유리병을 분류한다. 제안된 다각형 용기의 품질 향상을 위한 딥러닝 구조의 성능을 평가하기 위하여 공인시험기관에서 실험한 결과, 양품/불량 판별 정확도 99%로 세계최고 수준과 동일한 수준으로 산출되었다. 검사 소요 시간은 평균 1.7초로 비원형 머신비전 시스템을 사용하는 생산 공정의 가동 시간 기준 내로 산출되었다. 따라서 본 본문에서 제안한 다각형 용기의 품질 향상을 위한 딥러닝 구조의 성능의 그 효용성이 입증되었다.

• 한국방사선학회논문지
• /
• 제13권2호
• /
• pp.217-225
• /
• 2019

본 연구의 목적은 CT와 3.0T MRI 기기를 이용하여 간문맥을 묘출하는데 있어서 신호대 잡음비와 대조 도대 잡음비의 정량적인 수치를 비교 분석 하여 최적의 영상장치를 알아보고자 하였다. 2018년 2월부터 2018년 4월까지 C대학교병원에서 CT와 3.0T MRI 간 검사를 시행한 20명의 환자를 대상으로 의료영상저장전송시스템로 전송된 데이터를 무작위로 선정하였다. 정량적 평가를 위하여 간문맥의 4부위(주문맥, 우문맥, 좌문맥, 중간문맥)의 동일한 관심영역을 선정 후 신호평균값과 표준편차를 측정하여 SNR과 CNR값을 평가하였다. 평가결과 SNR은 CT에서 우문맥 : $9.18{\pm}0.72$, 좌문맥 : $9.41{\pm}0.84$, 중간문맥 : $9.54{\pm}0.59$, 주문맥 : $9.55{\pm}0.75$이고 3.0T MRI에서 우문맥 : $22.29{\pm}2.03$, 좌문맥 : $25.89{\pm}3.19$, 중간문맥 : $24.39{\pm}2.87$, 주문맥 : $26.64{\pm}2.30$으로 측정되었다(p<0.05). CNR은 CT에서 우문맥 : $3.75{\pm}0.66$, 좌문맥 : $3.44{\pm}0.65$, 중간문맥 : $3.71{\pm}0.39$, 주문맥 : $3.79{\pm}0.68$이고 3.0T MRI에서 우문맥 : $9.49{\pm}0.65$, 좌문맥 : $11.00{\pm}01.90$, 중간문맥 : $12.70{\pm}1.75$, 주문맥 : $10.01{\pm}0.98$으로 3.0T MRI가 CT보다 높은 수치로 측정되었다(p<0.05). 결론적으로 4부위의 간문맥을 분석한 결과 SNR과 CNR값이 3.0T MRI에서 높은 것으로 나타났다. 따라서 CT와 3.0T MRI에서 간문맥을 묘출하기 위한 최적의 영상장비는 비전리 방사선을 이용하는 3.0T MRI가 우위로 나타났다.