$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
De techniek beschreven in dit document maakt beeldvorming van snel bewegende microbellen met een hoge ruimtelijke en temporele resolutie mogelijk. Het kan potentieel ten goede komen aan een breed scala van wetenschappelijke disciplines, zoals chemische techniek, tandheelkunde en geneeskunde. Technische toepassingen omvatten beeldvorming cavitatie bellen voor het reinigen van oppervlakken, of voor beeldvorming bellen in gefluïdiseerde bed reactoren. Biomedische toepassingen omvatten beeldvorming cavitatie rond medische en tandheelkundige instrumenten en imaging biofilm debridement van hard en zacht weefsel met behulp van cavitatiebellen. In deze studie hebben we de techniek aangetoond door beeldvorming cavitatie rond twee verschillende tandheelkundige ultrasone scaler tips. De hoeveelheid cavitatie varieert tussen de twee tips die in deze studie worden getest, met meer cavitatiewolken waargenomen rond het vrije uiteinde van tip 10P. Dit is eerder gekoppeld aan trillingsamplitude20. De high-speed video's laten zien dat de FSI 1000 tip minder trillingen heeft, wat waarschijnlijk de reden is waarom er minder cavitatie rond deze tip is.
Een beperking van de beeldanalysemethode is dat de beeldaftrekkende techniek om het gebied van de scaler te verwijderen niet volledig nauwkeurig is omdat de scaler oscilleert en daarom de aftrekking sommige gebieden van de scaler ten onrechte als bellen kan laten. Dit is echter verantwoord door het gemiddelde van het gebied van een groot aantal frames (n= 2000). Dit zou geen probleem zijn voor toepassingen waarbij het te trekken object stilstaat. Voor studies waarbij het af te trekken bewegende object een veel hogere variantie heeft, raden we u aan de bewegingen in beide video's te synchroniseren voordat het wordt afgetrokken voor nauwkeurige resultaten. In de huidige studie hebben we de oscillaties niet gesynchroniseerd, maar omdat de trilling laag was, kunnen we aannemen dat de oscillaties goed met elkaar overeenkomen in deze twee metingen.
De beelddrempeling is nauwkeurig omdat de brightfield-verlichting een uniforme achtergrond biedt met een goed contrast. Het is van cruciaal belang om ervoor te zorgen dat de achtergrond uniform is en geen andere objecten bevat die ten onrechte kunnen worden gesegmenteerd. De drempelmethode kan worden gewijzigd door andere automatische drempelwaarden te gebruiken die bij de toepassing passen. Handmatige drempelwaarde, waarbij de gebruiker de drempelwaarde instelt, is ook mogelijk, maar wordt niet aanbevolen omdat dit de reproduceerbaarheid van de resultaten vermindert, omdat verschillende gebruikers verschillende drempelwaarden selecteren.
Beeldanalyse is gebruikt voor vele andere bubble imaging studies. Deze maken ook gebruik van een soortgelijke methode van achtergrondverlichting om een optimaal contrast tussen de bellen en de achtergrond te krijgen, en drempels om de bubbels te segmenteren21,22,23,24. De methode die in de huidige studie wordt getoond, kan ook worden gegeneraliseerd om te worden gebruikt voor veel verschillende toepassingen voor bellenbeeldvorming, die niet beperkt zijn tot alleen snelle beeldvorming. High-speed imaging is gebruikt voor cavitatie bubbels gegenereerd in water en ook rond instrumenten zoals endodontische bestanden en ultrasone scalers12,25,26,27,28. Bijvoorbeeld Rivas et al. en Macedo et al. gebruikten een high-speed camera bevestigd aan een microscoop, met verlichting die door een koude lichtbron om beeld reiniging met cavitatie, en beeld cavitatie rond een endodontische bestand17,29. Heldere veldverlichting biedt meer contrast tussen de achtergrond en de bellen, waardoor het mogelijk is om eenvoudige segmentatietechnieken zoals thresholding te gebruiken, zoals aangetoond door Rivas et al. voor beeldvorming en kwantificering van cavitatieerosie en reiniging in de loop van de tijd29. Donkere veldverlichting maakt drempels moeilijker vanwege de hogere variatie in grijze schubben4,30. Beeldanalyse is gebruikt in andere studies om meer informatie over bubbels te verzamelen1,2. Vyas et al. gebruikten een machine learning-benadering om cavitatiebellen rond een ultrasone scaler20te segmenteren. De methode beschreven in het huidige papier is sneller omdat het gebruik maakt van eenvoudige drempels, zodat het minder rekenkundig intensief, en bellen die zich boven en onder de scaler kan worden geanalyseerd. De drempelmethode die in het huidige papier wordt gebruikt, is echter alleen nauwkeurig als de achtergrond uniform is. Als het niet mogelijk is om een uniforme achtergrond te verkrijgen tijdens de beeldvorming, kunnen andere beeldverwerkingstechnieken worden gebruikt, zoals het gebruik van achtergrondaftrekken met behulp van een rollende kogelstraal om te corrigeren voor ongelijke verlichting, filteren met behulp van mediaan of Gaussische filters om ruis te verwijderen, of ook met behulp van machine learning gebaseerde technieken20,31.
Tot slot presenteren we een high-speed imaging en analyse protocol om het gebied van een microscopisch bewegend object te beelden en te berekenen. We hebben deze methode aangetoond door beeldvorming cavitatiebellen rond een ultrasone scaler. Het kan worden gebruikt voor beeldvorming cavitatie rond andere tandheelkundige instrumenten, zoals endodontische bestanden en het kan gemakkelijk worden aangepast voor andere niet-tandheelkundige bubble imaging toepassingen.