高效液相色谱法检测氟吗啉在土壤中的降解

建立了氟吗啉在土壤中残留分析的高效液相色谱(HPLC)检测方法,在实验室条件下对氟吗啉在我国具有代表性的3种土壤中的降解动态进行了研究。样品通过V(正己烷)∶V(乙酸乙酯)=1∶2混和溶液萃取,经弗罗里硅土SPE柱净化,浓缩后进行HPLC检测。结果表明,药剂土壤添加浓度在0.2和2.0mg/kg时,氟吗啉在不同土壤中回收率为78.8%～97.1%;标准偏差为2.24%～7.48%。氟吗啉在土壤中的降解遵循一级动力学方程;氟吗啉在3种土壤中的降解速率大小依次为黑龙江黑土>江西红土>河南黄土,其降解半衰期分别为99.02、106.64和157.53d,降解速率常数(k)分别为7.0×10-3、6.5×10-3和4.4×10-3。根据国内农药在土壤中的残留划分标准,氟吗啉属于中等降解类农药。比较氟吗啉在非灭菌与灭菌的黑龙江黑土、江西红土和河南黄土中的降解情况表明,药剂在非灭菌土中降解明显快,分析可能是土壤中微生物对氟吗啉的降解具有显著的影响。     

基于3D VNetTrans的膝关节滑膜磁共振图像自动分割

膝关节是类风湿性关节炎（Rheumatoid Arthritis,RA）常见累及关节,膝关节滑膜的精准分割对RA诊断和治疗有重要影响,本文提出了一种基于VNet网络的改进算法对膝关节滑膜磁共振图像进行自动分割．首先对39名滑膜炎患者的膝关节磁共振图像进行数据预处理,通过将Transformer编码器嵌入VNet网络底部的方式构建VNetTrans网络,使用MemSwish激活函数进行训练. 最终模型平均Dice系数为0.758 5,HD为24.6 mm;相较于VNet,Dice系数提升0.083 6,HD距离减少10 mm．实验结果表明,该算法可对膝关节磁共振图像中滑膜增生区域实现较好的3D分割,具有诊断和监测RA发展过程的应用价值．     

基于Dense-UNet++的关节滑膜磁共振图像分割

为解决以往基于深度学习的滑膜磁共振图像分割模型存在的分割精度较低、鲁棒性较差、训练耗时等问题,本文提出了一种基于Dense-UNet++网络的新模型,将DenseNet模块插入UNet++网络中,并使用Swish激活函数进行训练．利用1 036张滑膜磁共振图像数据增广后的14 512张滑膜图像对模型进行训练,并利用68张图像进行测试．结果显示,模型的平均DSC系数为0.819 9,交叉联合度量（IOU）为0.927 9．相较于UNet、ResUNet和VGG-UNet++网络结构,DSC系数和IOU均有提升,DSC振荡系数降低．另外在应用于相同滑膜图像数据集和使用相同的网络结构时,Swish函数相比ReLu函数有助于提升分割精度．实验结果表明,本文提出的算法对于滑膜磁共振图像的病灶区域的分割有较好的效果,能够辅助医生对病情做出判断．     

V-Ta合金力学行为的计算与实验研究

用第一性原理方法计算V-Ta合金体系的弹性常数并对其力学性能进行评估.计算得到的杨氏模量、剪切模量、柯西压力及体模量与剪切模量等表明当合金中Ta的含量在10 wt.%左右时,合金具有较高的强度和良好的塑性.为了检验计算结果,合成了V-10 wt.%Ta,V-15 wt.%Ta,V-20 wt.%Ta等不同Ta含量体系,并对其力学性能进行表征,实验所得结果与计算相吻合,为通过计算设计合金提供了一种可行思路.