BR112020009533B1 - Determinação não invasiva automatizada da fertilidade de um ovo de pássaro". - Google Patents

Abstract

a presente invenção refere-se a um método de determinação não invasiva automatizada da fertilidade de um ovo de pássaro (14), compreendendo as seguintes etapas: transportar uma pluralidade de ovos de pássaro (14) sequencialmente ou em paralelo para um aparelho de rmn (18); submeter os ovos de pássaro (14) a uma medição de rmn de modo a gerar uma imagem por rmn 3-d de pelo menos uma parte de cada um dos referidos ovos (14), a referida imagem por rmn 3-d tendo uma resolução espacial em pelo menos uma dimensão de 1,0 mm ou menos, preferivelmente de 0,50 mm ou menos, em que a referida parte do ovo (14) inclui o disco germinativo do respectivo ovo (14); determinar uma previsão de fertilidade de acordo com pelo menos um dos dois seguintes procedimentos: (i) derivar pelo menos uma característica de cada uma das referidas imagens de rmn 3-d, e usar a referida pelo menos uma característica em um classificador baseado em características para determinação de uma previsão de fertilidade, e (ii) usar um algoritmo de aprendizagem profunda e, em particular, um algoritmo de aprendizagem profunda baseado em redes neurais convolucionais, redes adversárias generativas, redes neurais recorrentes ou redes de memória de longo prazo.

Description

DETERMINAÇÃO NÃO INVASIVA AUTOMATIZADA DA FERTILIDADE DE UM OVO DE PÁSSARO". CAMPO DA INVENÇÃO

[001] A presente invenção está no campo da produção de ovos. Mais particularmente, a presente invenção refere-se a um método e um aparelho para determinação não invasiva da fertilidade de um ovo de pássaro, em particular um ovo de galinha.

ANTECEDENTES DA INVENÇÃO

[002] Na indústria avícola, é desejável determinar de forma não invasiva a fertilidade de um ovo. A indústria avícola é uma das fontes mais importantes de proteína animal para consumo humano. A revista Poultry Trends 2016 estima que a produção e o consumo mundiais de carne de aves crescerão 20% até 2025, acima de 130 milhões de toneladas métricas. Em 2016, o mercado global já produziu 116,4 milhões de toneladas métricas de carne de aves, onde as 185 principais empresas produtoras de aves abateram quase 38 bilhões de cabeças para satisfazer a demanda global. Somente nos Estados Unidos, a indústria avícola foi avaliada em US $ 38,7 bilhões.

[003] Apesar de seu volume significativo, o processo de incubação de ovos para produzir aves está longe de ser perfeito. Uma instalação avícola média choca apenas 75% a 85% dos ovos que incuba. Os outros 15 a 25% dos ovos sofrem morte embrionária precoce ou não são férteis. Atualmente, embriões inférteis e mortos são separados dos embriões vivos após 18 dias de incubação com tecnologias não invasivas, como a Embrex® Egg remover (http://embrexbiodevices.com/Poultry-BioDevices/Embrex-Egg-Remover/). Embora essa solução impeça a abertura desnecessária de ovos, ainda é um desperdício: todos os ovos sem pintinho no interior são descartados. Ou seja, a indústria incuba mais de 12,8 bilhões de ovos anualmente apenas para jogá-los fora. Portanto, seria altamente desejável uma solução que pudesse determinar o status de fertilidade de um ovo antes da incubação. Tal solução aumentaria drasticamente a produtividade e economizaria energia, custos e desperdícios. Além disso, incorporaria bilhões de ovos no mercado para consumo humano.

[004] Há várias patentes no campo da identificação de ovos férteis. Por exemplo, a Patente US 5.745.228 - Method and apparatus for distinguishing live from infertile poultry eggs utiliza uma fonte de luz para determinar se a ave dentro do ovo está viva. Esta é a tecnologia usada no Embrex® Egg remover.

[005] A Patente US 6.029.080 - Method and apparatus for avian pre-hatch sex determination propõe o uso de IRM para sexagem de membros de espécies aviárias de um ovo. Embora esta patente use a tecnologia de IRM, ela não faz referência à determinação do status de fertilidade e se concentra exclusivamente na identificação das gônadas via IRM para sexagem.

[006] A Patente US 7.950.439 B1 - Avian egg fertility and gender detection sugere o uso de uma fonte de luz externa na forma de luz incandescente, fluorescente ou LED para a determinação da fertilidade e do gênero de um ovo aviário.

[007] A Patente US 6.535.277 B2 - Methods and apparatus for non-invasively identifying conditions of eggs via multi-wavelength spectral comparison conta com o uso de luz visível e invisível em comprimentos de onda entre 300 nm e 1.100 nm para identificar várias condições de um ovo, incluindo o status de fertilidade.

[008] A US2013/0044210 AI - Hyperspectral identification of egg fertility and gender utiliza luz em meio infravermelho para determinar a fertilidade de um ovo. Os inventores desta patente afirmam que são capazes de determinar o status de fertilidade de um ovo no dia zero (isto é, recém-posto) com uma precisão de 90%.

[009] A EP 0 890 838 B1 descreve um método e um aparelho para selecionar ovos de acordo com a sua fertilidade. De acordo com este método, os ovos são submetidos ao tratamento de ressonância magnética nuclear (RMN) para obtenção de uma imagem por RMN, e os ovos são selecionados a partir de uma pluralidade de ovos de acordo com uma característica específica, com base na imagem da RMN. De acordo com uma modalidade, com a imagem por RMN é determinada a configuração de prótons na gema. Os inventores alegam que a fertilização de um ovo leva a uma alteração específica na configuração de prótons, especialmente na gema do ovo em questão, que seria observável através de um tratamento por RMN, mesmo diretamente após a postura. Portanto, argumenta-se que a fertilidade do ovo pode ser determinada com base na configuração dos prótons. Em outra modalidade, sugere-se determinar, com a ajuda da imagem por RMN, se a divisão celular no ovo, em particular no disco germinativo, ocorreu como resultado da fertilização. Nem um exemplo específico ou imagens de RMN são mostrados para essa variante, nem é descrito como a distinção deve ser feita. A aplicação apenas menciona que a imagem por RMN deve ser "comparada com imagens de RMN armazenadas em um banco de dados". De fato, ainda não está claro se os inventores da patente da técnica anterior realmente pretenderam analisar ou alguma vez analisaram o disco germinativo adequadamente. Ou seja, embora essa aplicação se refira à “chamada latebra, em que se situa o disco germinativo no centro da gema”, deve-se notar que o disco germinativo não se situa sobre a latebra e não está localizado no centro da gema, porém em uma porção externa da gema e está conectado somente à latebra através de um pescoço longo. De qualquer forma, para o conhecimento dos inventores, os métodos e aparelhos de determinação de fertilidade de ovos baseados em imagens de RMN não foram capazes de operar de maneira suficientemente confiável e eficiente até o momento, a fim de encontrar um uso prático.

SUMÁRIO DA INVENÇÃO

[0010] O problema subjacente à invenção é o fornecimento de uma técnica não invasiva capaz de identificar automaticamente ovos inférteis imediatamente após a postura e antes da incubação, e que seja capaz de lidar com uma grande produção de ovos e não danificar ou alterar os ovos de forma alguma. Este objetivo é alcançado por meio de um método de acordo com a reivindicação 1 e um aparelho de acordo com a reivindicação 20. Modalidades preferidas são definidas nas reivindicações dependentes.

[0011] De acordo com a presente invenção, é fornecido um método não invasivo automatizado de determinação da fertilidade do ovo de uma ave, que compreende as seguintes etapas:
transportar uma pluralidade de ovos de aves sequencialmente ou em paralelo para um aparelho de RMN,
submeter os ovos de aves a uma medição por RMN, de modo a gerar uma imagem por RMN 3-D de pelo menos uma parte de cada um dos referidos ovos, a referida imagem de RMN 3-D com uma resolução espacial em pelo menos uma dimensão de 1,0 mm ou menos, preferivelmente de 0,50 mm ou menos, em que a referida parte do ovo inclui o disco germinativo do respectivo ovo,
determinar uma previsão de fertilidade de acordo com pelo menos um dos dois procedimentos a seguir:

• (i) derivar pelo menos uma característica de cada uma das referidas imagens de RMN 3-D e usar a referida pelo menos uma característica em um classificador baseado em características para determinar uma previsão de fertilidade, em que a referida pelo menos uma característica é escolhida do grupo que consiste em diâmetro do disco germinativo, volume do disco germinativo, formato do disco ger-minativo, textura do disco germinativo, localização do disco germinati-vo no ovo, textura da gema, número e/ou posição dos anéis visíveis por RMN na gema, contraste dos anéis dentro da gema, textura, volume ou formato da latebra, comprimento do pescoço da latebra e das relações entre os volumes ou superfícies de duas ou mais gemas, da latebra, do disco germinativo e do albúmen, e
• (ii) usar um algoritmo de aprendizagem profunda e, em particular, um algoritmo de aprendizagem profunda baseado em redes neurais convolucionais, redes adversárias generativas, redes neurais recorrentes ou redes de memória de longo prazo.

[0012] Os inventores constataram que a fertilidade de um ovo de galinha pode ser discernida a partir de imagens de RMN 3-D, incluindo o seu disco germinativo. Uma vez que os ovos podem ser submetidos a medições por RMN sem causar qualquer dano ou lesão à casca ou ao interior, a taxa de incubação não é afetada adversamente por essa medição. Ao mesmo tempo, a incubação desnecessária de ovos inférteis pode ser evitada. Além disso, como a infertilidade é determinada antes da incubação, esses ovos considerados inférteis ainda podem ser usados para alimentação, o que não é possível após o início da incubação.

[0013] Mais precisamente, ao processar a imagem de modo a determinar, por exemplo, o diâmetro do disco germinativo ou o volume do disco germinativo, observa-se que ambos, o diâmetro e o volume, diferem consistentemente entre óvulos férteis e inférteis, de modo que essas características podem ser usadas para distinção entre eles. No entanto, para uma distinção confiável, de acordo com a invenção, é utilizado um procedimento de aprendizagem baseado em máquina.

[0014] De acordo com uma variação da invenção, pelo menos uma, porém preferivelmente pelo menos duas características são derivadas da imagem por RMN 3-D, e a(s) característica(s) é/são usada(s) em um classificador baseado em características para determinação de fertilidade. Aqui, a expressão "derivar uma característica de uma imagem por RMN 3-D" tem um amplo significado e deve abranger qualquer maneira possível pela qual a característica possa ser obtida com base nos dados que representam uma imagem 3-D. Por exemplo, os dados brutos da imagem podem ser passados através de um filtro adequado projetado para extrair a característica em questão a partir dos dados. No entanto, outros tipos de processamento de imagem ou processamento de dados de imagem para derivação de características também seriam possíveis.

[0015] Na presente descrição, as características a serem extraídas da imagem por RMN 3-D são predeterminadas ou "geradas manualmente". Com importância, pelo menos uma, preferivelmente pelo menos duas, dessas características é usada no classificador baseado em características. Uma escolha particularmente vantajosa para pelo menos uma característica é o volume, o diâmetro ou uma característica relacionada ao formato ou à textura do disco germinativo. No entanto, outras características também são indicativas de fertilidade do ovo e podem ser usadas como a pelo menos uma característica(s) no classificador baseado em características, por exemplo, a localização do disco germinativo no ovo, a textura da gema, o número e/ou posição de anéis visíveis por RMN na gema ou o contraste dos anéis dentro da gema. Os "anéis visíveis por RMN" se referem a estruturas semelhantes a anéis que podem ser vistas na imagem por RMN da gema e serão mostradas abaixo. Outras características que podem ser usadas são a textura, o volume ou formato da latebra, o comprimento do pescoço da latebra ou as relações entre os volumes ou superfícies de duas ou mais gemas, da latebra, do disco germinativo e do albúmen. Se duas ou mais características forem usadas no classificador baseado em características, pelo menos uma delas será selecionada dentre as características mencionadas acima. Em modalidades particularmente preferidas, pelo menos uma das duas ou mais características é selecionada do grupo que consiste em diâmetro, volume ou formato do disco germinativo. Além disso, o procedimento (i) é preferivelmente um procedimento baseado em aprendizagem de máquina.

[0016] Além disso, se a imagem por RMN for constituída por voxels, a “resolução espacial em uma dimensão”, referida acima, é o tamanho de um voxel na dimensão correspondente. De preferência, a resolução espacial em pelo menos duas, mais preferivelmente em todas as três dimensões, é de 1,0 mm ou menos, preferivelmente de 0,5 mm ou menos.

[0017] Em vez de basear a análise em características pré-determinadas ou "geradas manualmente", em uma variante alternativa, a previsão de fertilidade é realizada usando um algoritmo de aprendizagem profunda e, em particular, um algoritmo de aprendizagem profunda baseado em redes neurais convolucionais, redes adversárias generativas, redes neurais recorrentes ou redes de memória de longo prazo. Em outras palavras, em vez de dizer ao algoritmo quais características devem ser consideradas para fins de classificação em relação à fertilidade, usando a segunda variante, o próprio algoritmo encontra aspectos característicos por um processo de aprendizagem. De fato, os inventores poderiam mostrar que, usando um algoritmo de rede neural convolucional nas imagens de RMN 3-D, o status de fertilidade do ovo poderia ser previsto com uma precisão de 97,3%, com um treinamento razoável.

[0018] Em uma modalidade preferida, a etapa de determinação da previsão de fertilidade é realizada por um módulo de classificação, em que o referido método compreende ainda uma etapa de transportar a referida pluralidade de ovos de aves para fora do referido aparelho de RMN e selecionar os ovos de acordo com a previsão de fertilidade for- necida pelo referido módulo de classificação.

[0019] Em uma modalidade preferida, o classificador baseado em características usa o método kernel, em particular uma máquina de vetores de suporte, uma máquina de vetores de relevância ou um per-ceptron do kernel, uma análise discriminante quadrática ou uma análise discriminante linear, árvores de classificação, florestas aleatórias ou um classificador Naive Bayes.

[0020] "Métodos kernel", conforme utilizados aqui, são entendidos como métodos que fazem uso de funções do kernel, que permitem trabalhar em um espaço de alta dimensão onde as características podem ser reorganizadas para facilitar a identificação de padrões e limitações de classe. Um método kernel adequado para os fins da invenção é uma máquina de vetores de suporte (SVM). Dado um conjunto de características de treinamento, as SVMs encontram uma representação linear que separa as classes com a mais ampla margem possível. Quando um novo ponto de dados deve ser classificado, as SVMs o colocam em um dos grupos de maneira não probabilística. Ele é basicamente um classificador linear, mas pode resolver problemas não lineares encontrando a função correta do kernel. Para mais detalhes sobre máquinas de vetores de suporte, é feita referência a Cristianini, N. &Shawe-Taylor, J. An Introduction to Support Vector Machines and other kernel based learning methods. Ai Magazine 22, 190 (2000).

[0021] Um outro método kernel preferível para os fins da presente invenção é a máquina de vetores de relevância (RVM). É essencialmente uma SVM usando um kernel probabilístico (normalmente gaussiano) para produzir uma classificação probabilística. Para detalhes adicionais sobre as máquinas de vetores de relevância, é feita referência a Tipping, M. E. Sparse Bayesian Learning and the Relevance Vector Machine. J. Mach. Learn. Res. 1, 211-244 (2001).

[0022] Outro método vantajoso é o perceptron do kernel. Embora os modelos aprendidos pelo perceptron clássico sejam aplicáveis apenas a problemas de classificação binária linear, o perceptron do kernel opera em um alto espaço dimensional, onde a função apropriada do kernel pode transformar um problema não linear em linear (veja também Dekel, O., Shalev-Shwartz, S. & Singer, Y. The forgetron: a kernel-based perceptron on a budget. SIAM J. Comput. 37/5, 1342-1372 (2008).

[0023] A análise discriminante linear (LDA) é um método que tenta identificar uma combinação linear de características que separa duas ou mais classes. Assim, durante o treinamento, assume distribuições gaussianas das funções de densidade de probabilidade condicional de cada classe e aprende um limiar de classificação que depende da média e covariância dessas distribuições. Para mais detalhes, é feita referência a Mika, S., Ratsch, G., Weston, J., Schölkopf, B. & Muller, K.-R. Fisher discriminant analysis with kernels. leee 41-48 (1999). doi:10.1109/NNSP.1999.788121, e McLachlan, G. J. Discriminant analysis and statistical pattern recognition. Wiley series in probability and statistics (2004). doi:10.1002/0471725293. LDA é uma simplificação da análise discriminante quadrática (QDA), em que assume ho-moscedasticidade, o que significa que a covariância das funções de densidade de probabilidade condicional de cada classe é igual. Se for esse o caso, o termo quadrático de QDA pode ser descartado da equação formal. Em seu núcleo, a LDA e a QDA compartilham o mesmo conceito e formulação: usam as informações probabilísticas que podem ser derivadas das características para encontrar o limite linear (LDA) ou quadrático (QDA) que melhor separa as classes.

[0024] Árvores de classificação são estruturas de árvore que aceitam vetores de características como entrada no tronco da árvore, as folhas representam rótulos de classe e ramificam as conjunções de características que conduzem o caminho através da árvore. Durante o treinamento, aprende-se o limiar de decisão de cada ramificação no espaço das características. No entanto, constatou-se serem propensos a sobreajuste. Para mais detalhes, é feita referência a Rokach, L. &Maimon, O. Data mining with decision trees: Theory and applications. World Scientific Pub Co Inc (2008). at <http://www. worldscientific. com/worldscibooks/10.1142/6604>.

[0025] Uma floresta aleatória, como aqui compreendida, é um conjunto de árvores de classificação desenvolvendo-se aleatoriamente. O princípio de trabalho baseia-se no cálculo da média de produção de várias árvores de classificação para reduzir o sobreajuste. Para mais detalhes, é feita referência a Breiman, L. Random forests. Mach. Learn. 45, 5-32 (2001).

[0026] Os classificadores Naive Bayes são uma família de classificadores probabilísticos. Eles se baseiam no teorema de Bayes e assumem independência das características (daí denominados naive). A classificação é baseada no critério máximo a posteriori, ou seja, encontrar a classe para a qual o produto de sua probabilidade e probabilidade a priori é máximo. Probabilidade e probabilidade a priori são aprendidas a partir dos dados de treinamento. Para mais detalhes, é feita referência a Rish, I. An empirical study of the naive Bayes classifier. Empir. methods Artif Intell. Work. IJCAI 22230, 41-46 (2001).

[0027] Em uma modalidade preferida, o método compreende a aplicação de uma técnica boosting, em particular uma técnica boosting adaptativa, uma técnica boosting logística ou uma técnica de árvore boosting probabilística.

[0028] "Técnicas boosting", como aqui entendidas, são técnicas que criam agregações de classificadores "fracos" para criar um classificador "forte". Um classificador "fraco" é definido como qualquer método de classificação que tenha um desempenho um pouco melhor que a estimativa aleatória, enquanto os classificadores "fortes" estão bem correlacionados com a classificação verdadeira. Nesse sentido, uma floresta aleatória também pode ser vista como uma técnica boosting. Para os fins da presente invenção, os três métodos preferidos são:

• ° Boosting Adaptativo (AdaBoost): a saída dos classificadores fracos é combinada em uma soma ponderada. Diferentemente das redes neurais ou SVMs, o AdaBoost seleciona durante o treinamento apenas as características que melhoram o poder de classificação do modelo (cf. Freund, Y. &Schapire, R. E. A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting. J. Comput. Syst. Sci. 55, 119-139 (1997)).
• ° Boosting Logistíco (LogitBoost): Evolução do AdaBoost em uma formulação probabilística. Para uma descrição detalhada, referência é feita a Jerome Friedman, Trevor Hastie and Robert Ti-bshirani. Additive logistic regression: a statistical view of boosting. Annals of Statistics 28(2), 2000. 337-407.
• ° Árvore boosting: Este cria automaticamente uma árvore na qual cada nó combina um número de classificadores fracos em um classificador forte (cf. Tu, Z. Probabilistic boosting-tree: Learning discriminative models for classification, recognition, and clustering. in Proceedings of the IEEE International Conference on Computer Vision II, 1589-1596 (2005)).

[0029] Em uma modalidade preferida, na referida medição de RMN, ainda é determinado um histograma de coeficientes de difusão em vários locais no ovo, e em que a referida previsão de fertilidade é ainda baseada na forma do histograma.

[0030] Os inventores constataram que a forma de um histograma de coeficientes de difusão em vários locais do ovo difere em relação a ovos férteis e inférteis. Aqui, o histograma indica a frequência com que certos coeficientes de difusão ocorrem quando são feitas medições em vários locais do ovo. Assim sendo, por análise da forma do histograma do coeficiente de difusão, a fertilidade pode ser prevista. A previsão baseada na forma do histograma do coeficiente de difusão pode então ser usada para aumentar uma previsão com base nos métodos mencionados acima.

[0031] Embora haja, obviamente, muitas maneiras de analisar a forma de um histograma de coeficiente de difusão, em uma modalidade preferida, determinar a fertilidade com base na forma do histograma de coeficientes de difusão compreende comparar a frequência de ocorrência de pelo menos dois coeficientes de difusão diferentes ou faixas de coeficientes de difusão. Essa é uma maneira particularmente simples de caracterizar a forma do histograma dos coeficientes de difusão, que provou fornecer resultados surpreendentemente confiáveis.

[0032] Em uma modalidade preferida, os referidos pelo menos dois diferentes coeficientes de difusão, ou os centros das referidas pelo menos duas faixas de coeficientes de difusão, são separados entre 0,5 e 2,5 mm2/s, mais preferivelmente entre 0,75 e 1,5 mm2/s.

[0033] Dos referidos pelo menos dois diferentes coeficientes de difusão, ou dos centros das referidas pelo menos duas faixas de coeficientes de difusão, um está localizado preferivelmente na faixa de 0,6 a 1,3 mm2/s, mais preferivelmente na faixa de 0,7 a 1,2 mm2/s, e o outro está preferivelmente localizado na faixa de 1,5 a 2,5 mm2/s, mais preferivelmente na faixa de 1,7 a 2,3 mm2/s.

[0034] Em uma modalidade preferida, as referidas várias localizações no ovo são uniformemente distribuídas no ovo e, em particular, correspondem a voxels de uma imagem do coeficiente de difusão.

[0035] Em uma modalidade preferida, na referida medição de RMN, é obtido um espectro de RMN da gema incluindo picos correspondentes a água e gordura, e a previsão de fertilidade é ainda baseada no referido espectro de RMN.

[0036] Os inventores constataram que, igualmente surpreendente, os espectros de RMN da gema de ovos férteis e inférteis diferem em relação aos seus picos correspondentes a água e gordura. Por conseguinte, a forma de um espectro de RMN incluindo tais picos de água e gordura é igualmente característica para a fertilidade e pode ser usada na determinação.

[0037] Tendo em conta o espectro, os inventores observaram que, quando o espectro é, por exemplo, normalizado para os picos correspondentes a gordura, o pico correspondente a água é maior em um ovo infértil em comparação a um ovo fértil. Consequentemente, uma maneira de determinar a fertilidade é através da relação dos picos de água e gordura. No entanto, existem diferentes maneiras de classificar a fertilidade com base nos espectros de RMN. Em particular, é possível apresentar o espectro ou certas características do espectro, tais como alturas e localizações dos picos, a um módulo de aprendizagem de máquina que realiza a classificação.

[0038] A previsão de fertilidade com base nos espectros de RMN pode então ser usada para aumentar ainda mais a previsão com base nos métodos descritos acima.

[0039] Em uma modalidade preferida, os ovos são dispostos em um padrão regular, em particular em uma configuração de matriz, em uma bandeja durante o referido transporte e medição de RMN. De preferência, o número de ovos dispostos na referida bandeja é de pelo menos 36, mais preferivelmente de pelo menos 50, e muitíssimo preferivelmente de pelo menos 120.

[0040] Em uma modalidade preferida, o referido aparelho de RMN compreende uma matriz de bobinas de RF para aplicar campos magnéticos de RF aos ovos localizados sobre a bandeja e/ou para detectar sinais de RMN, a referida matriz de bobinas de RF compreendendo uma ou mais de

• - uma pluralidade de bobinas dispostas em um plano localizado acima da bandeja carregada com ovos, quando transportados para o aparelho de RMN,
• - uma pluralidade de bobinas dispostas em um plano localizado abaixo da bandeja carregada com ovos, quando transportados para o aparelho de RMN,
• - uma pluralidade de bobinas dispostas em planos verticais que se estendem entre fileiras de ovos na bandeja, quando transportados para o aparelho de RMN, cujas fileiras se estendem paralelamente à direção de transporte da bandeja, para dentro e para fora do aparelho de RMN.

[0041] No caso da pluralidade de bobinas dispostas em um plano localizado acima ou abaixo da bandeja carregada de ovos, a relação do número de bobinas para o número de ovos dispostos na referida bandeja é preferivelmente entre 1:1 a 1:25, mais preferivelmente entre 1:1 a 1:16, e muitíssimo preferivelmente entre 1:1 a 1:5.

[0042] Em uma modalidade preferida, o referido aparelho de RMN compreende uma matriz de bobinas de RF para aplicar campos magnéticos de RF aos ovos localizados na bandeja (16) e/ou para detectar sinais de RMN, sendo a referida matriz de bobinas de RF integrada ou anexada à referida bandeja.

[0043] Aqui, a bandeja preferivelmente compreende uma pluralidade de depressões ou bolsas para receber um correspondente ovo, em que um número de bobinas está associado a cada uma das referidas depressões ou bolsas, em que o referido número de bobinas por depressão ou bolsa é de pelo menos 1, preferivelmente pelo menos 2, mais preferivelmente pelo menos 3, e muitíssimo preferivelmente pelo menos 4, e/ou em que pelo menos algumas das referidas bobinas estão dispostas verticalmente em relação ao plano principal da bandeja, ou com um ângulo de pelo menos 50°, preferivelmente pelo menos 75°, e mais preferivelmente pelo menos 80° em relação ao plano principal da bandeja.

[0044] Em uma modalidade preferida, as referidas imagens de RMN 3-D da pluralidade de ovos são obtidas usando imageação em paralelo, em que são reconstruídas imagens coerentes de uma matriz de ovos com base em medições com múltiplas bobinas de RF.

[0045] Em uma modalidade preferida, as referidas imagens de RMN 3-D da pluralidade de ovos são obtidas usando uma técnica simultânea de multifatias (SMS), na qual são reconstruídas imagens multiplicadas de uma matriz de ovos com base em medições em diferentes faixas de frequência.

[0046] Em uma modalidade preferida, as imagens de RMN 3-D são geradas usando sensoriamento compactado, permitindo recuperar imagens de medições amostradas abaixo da frequência de Nyquist.

[0047] Em uma modalidade preferida, as imagens de RMN 3-D são geradas usando precessão livre no estado estacionário, imagens rápidas de ângulos baixos e/ou imagens quantitativas em estado transitório.

[0048] Em uma modalidade preferida, o método compreende ainda uma etapa de melhoria da qualidade da imagem por RMN por meio de uma técnica de transferência de qualidade.

[0049] Preferivelmente, o número de ovos transportados em paralelo ao referido aparelho de RMN e a geração de imagens de RMN são adaptados de modo que a determinação da previsão de fertilidade seja realizada a uma taxa de 20 segundos por ovo ou menos, preferivelmente de 10 segundos por ovo ou menos, e mais preferivelmente de 2 segundos por ovo ou menos.

[0050] Em uma modalidade preferida, é gerada uma imagem por RMN 3-D de uma pluralidade de ovos dispostos em um padrão regular, em particular em uma configuração de matriz, e a imagem é dividi- da em imagens correspondentes aos ovos individuais, que são submetidos à referida determinação de previsão de fertilidade.

[0051] Em uma modalidade preferida, a determinação da previsão de fertilidade é suplementada com dados quantitativos de medição selecionados de um grupo que consiste em parâmetros de relaxamento, constantes de difusão e mapeamento de tensores de difusão, dados de RMN múltiplo quantum, dados de RMN nulo quantum, dados de mapeamento de susceptibilidade e dados de mapeamento T2*.

[0052] Um aspecto adicional da invenção refere-se a um aparelho para determinação não invasiva automatizada de uma propriedade de um ovo de pássaro, em particular a fertilidade ou o sexo de seu embrião, compreendendo: um aparelho de RMN e um dispositivo de transporte, para transportar uma pluralidade de ovos de aves sequencialmente ou em paralelo para o referido aparelho de RMN e para fora do referido aparelho de RMN, em que o referido aparelho de RMN é configurado para submeter os ovos de aves a uma medição por RMN, em que o referido aparelho compreende ainda um módulo de classificação configurado para receber dados da RMN obtidos na referida medição de RMN e/ou dados derivados desta, o referido módulo de classificação configurado para determinar, com base nos referidos dados de RMN e/ou dados derivados desta, uma previsão da propriedade do ovo, e um dispositivo de separação de ovos para selecionar os ovos de acordo com a previsão de propriedade do ovo fornecida pelo referido módulo de classificação.

[0053] Em uma modalidade preferida, o referido aparelho de RMN está configurado para submeter os ovos de aves a uma medição de RMN, de modo a gerar uma imagem por RMN 3-D de pelo menos uma parte de cada um dos referidos ovos, tendo a referida imagem por RMN 3-D uma resolução espacial em pelo menos uma dimensão de 1,0 mm ou menos, preferivelmente de 0,50 mm ou menos, em que a referida parte do ovo inclui o disco germinativo do respectivo ovo (14), e em que o referido módulo de classificação (38) está configurado para determinar uma previsão de fertilidade de acordo com pelo menos um dos dois procedimentos a seguir:

• (i) derivar pelo menos uma característica de cada uma das referidas imagens de RMN 3-D e usar a referida pelo menos uma característica em um classificador baseado em características para determinar uma previsão de fertilidade, em que a referida pelo menos uma característica é escolhida do grupo que consiste em diâmetro do disco germinativo, volume do disco germinativo, formato do disco germinativo, textura do disco germinativo, localização do disco germinati-vo no ovo, textura da gema, número e/ou posição dos anéis visíveis por RMN na gema, contraste dos anéis dentro da gema, textura, volume ou formato da latebra, comprimento do pescoço da latebra e as relações entre os volumes ou superfícies de duas ou mais gemas, da latebra, do disco germinativo e do albúmen, e
• (ii) usar um algoritmo de aprendizagem profunda e, em particular, um algoritmo de aprendizagem profunda baseado em redes neurais convolucionais, redes adversárias generativas, redes neurais recorrentes ou redes de memória de longo prazo.

[0054] No procedimento (i), preferivelmente pelo menos duas características são derivadas das referidas imagens de RMN 3-D e usadas no referido classificador baseado em características, em que pelo menos uma das referidas pelo menos duas características é escolhida do grupo referido no parágrafo anterior, e em que, preferivelmente, pelo menos uma das referidas pelo menos duas características é escolhida do grupo que consiste em diâmetro do disco germinativo, volume do disco germinativo e formato do disco germinativo, em que o referido procedimento é preferivelmente um procedimento baseado em aprendizagem de máquina.

[0055] Em uma modalidade preferida, o classificador baseado em características usa o método kernel, em particular uma máquina de vetores de suporte ou uma máquina de vetores de relevância, um per-ceptron do kernel, uma análise discriminante quadrática ou uma análise discriminante linear, árvores de classificação, florestas aleatórias ou um classificador Naive Bayes. Aqui, o referido módulo de classificação é ainda configurado para aplicar uma técnica boosting, em particular uma técnica boosting adaptativa, uma técnica boosting logístico ou uma técnica de árvore boosting probabilística

[0056] Em uma modalidade preferida, o referido aparelho de RMN é configurado para determinar, na referida medição de RMN, um histograma de coeficientes de difusão em vários locais no ovo, e em que o módulo de classificação é configurado para basear a referida previsão de fertilidade na forma do histograma. Aqui, a determinação de fertilidade é preferivelmente baseada na forma do histograma dos coeficientes de difusão, compreendendo comparar a frequência de ocorrência de pelo menos dois diferentes coeficientes de difusão ou faixas de coeficientes de difusão,
em que os referidos pelo menos dois diferentes coeficientes de difusão ou os centros das referidas pelo menos duas faixas de coeficientes de difusão são preferivelmente separados entre 0,5 e 2,5 mm2/s, mais preferivelmente entre 0,75 e 1,5 mm2/s, e/ou
em que os referidos pelo menos dois diferentes coeficientes de difusão, ou os centros das referidas pelo menos duas faixas de coeficientes de difusão, um está preferivelmente localizado na faixa de 0,6 a 1,3 mm2/s, mais preferivelmente na faixa de 0,7 a 1,2 mm2/s, e o outro está localizado preferivelmente na faixa de 1,5 a 2,5 mm2/s, mais preferivelmente na faixa de 1,7 a 2,3 mm2/s, e/ou
em que os referidos vários locais no ovo são distribuídos uniformemente no ovo e, em particular, correspondem a voxels de uma imagem do coeficiente de difusão.

[0057] Em uma modalidade preferida, o referido aparelho de RMN é configurado para determinar, na referida medição de RMN, um espectro de RMN da gema incluindo picos correspondentes a água e gordura, e ainda prever a fertilidade com base no referido espectro de RMN. Aqui, a referida determinação de uma previsão de fertilidade com base no espectro de RMN compreende preferivelmente determinar a referida previsão de fertilidade com base na relação dos picos correspondentes a água e gordura no referido espectro de RMN.

[0058] Em uma modalidade preferida do aparelho, os referidos ovos são dispostos em um padrão regular, particularmente em uma configuração de matriz, em uma bandeja durante o referido transporte e medição de RMN, em que o número de ovos dispostos na referida bandeja é preferivelmente de pelo menos 36, mais preferivelmente de pelo menos 50, e muitíssimo preferivelmente de pelo menos 120.

[0059] Em uma modalidade preferida do aparelho, o referido aparelho de RMN compreende uma matriz de bobinas de RF para aplicar campos magnéticos de RF aos ovos localizados na bandeja e/ou para detectar sinais de RMN, a referida matriz de bobinas de RF compreende uma ou mais de:

• - uma pluralidade de bobinas dispostas em um plano localizado acima da bandeja carregada com ovos, quando transportados para o aparelho de RMN,
• - uma pluralidade de bobinas (30a) dispostas em um plano localizado abaixo da bandeja carregada com ovos, quando transportados para o aparelho de RMN,
• - uma pluralidade de bobinas dispostas em planos verticais que se estendem entre fileiras de ovos na bandeja, quando transpor-tados para o aparelho de RMN, cujas fileiras se estendem paralelamente à direção de transporte da bandeja para dentro e para fora do aparelho de RMN,

em que, no caso da pluralidade de bobinas dispostas em um plano localizado acima ou abaixo da bandeja carregada de ovos, a relação do número de bobinas para o número de ovos dispostos na referida bandeja é preferivelmente entre 1:1 a 1:25, mais preferivelmente entre 1:1 a 1:16, e muitíssimo preferivelmente entre 1:1 a 1:5.

[0060] Em uma modalidade preferida, o referido aparelho de RMN compreende uma matriz de bobinas de RF para aplicar campos magnéticos de RF aos ovos localizados na bandeja e/ou para detectar sinais de RMN, sendo a referida matriz de bobinas de RF integrada ou anexada à referida bandeja,
em que a bandeja compreende preferivelmente uma pluralidade de depressões ou bolsas para receber um correspondente ovo, e em que o número de bobinas está associado a cada uma das referidas depressões ou bolsas, em que o referido número de bobinas por depressão ou bolsa é de pelo menos 1, preferivelmente de pelo menos 2, mais preferivelmente de pelo menos 3, e muitíssimo preferivelmente de pelo menos 4, e/ou em que pelo menos algumas das referidas bobinas estão dispostas verticalmente em relação ao plano principal da bandeja, ou com um ângulo de pelo menos 50°, preferivelmente de pelo menos pelo menos 75°, e mais preferivelmente de pelo menos 80° em relação ao plano principal da bandeja.

[0061] Em uma modalidade preferida, o referido aparelho de RMN é configurado para obter imagens de RMN em 3-D da pluralidade de ovos usando imageação em paralelo, em que são reconstruídas imagens coerentes de uma matriz de ovos com base em medições com múltiplas bobinas de RF.

[0062] Além disso, ou alternativamente, o aparelho de RMN é con- figurado para obter as referidas imagens de RMN 3-D da pluralidade de ovos usando uma técnica simultânea de multifatias (SMS), na qual são reconstruídas imagens multiplicadas de uma matriz de ovos (14) com base em medições em diferentes faixas de frequência.

[0063] Além disso, ou alternativamente, o referido aparelho de RMN é configurado para gerar as imagens de RMN 3-D usando sensoriamento compactado, permitindo recuperar imagens de medições amostradas abaixo do limite de Nyquist.

[0064] Além disso, ou alternativamente, o referido aparelho de RMN é configurado para gerar as imagens de RMN 3-D usando uma ou mais imagens de precessão livre no estado estacionário, imagens rápidas de ângulos baixos e imagens quantitativas em estado transitório.

[0065] Além disso, ou alternativamente, o referido aparelho de RMN é configurado para melhorar a qualidade das imagens de RMN por meio de uma técnica de transferência de qualidade.

[0066] Em uma modalidade preferida do aparelho, o número de ovos transportados em paralelo ao referido aparelho de RMN e a geração de imagens de RMN são adaptados de modo que a determinação da previsão de fertilidade possa ser realizada a uma taxa de 20 segundos por ovo ou menos, preferivelmente de 10 segundos por ovo ou menos, e mais preferivelmente de 2 segundos por ovo ou menos.

[0067] Em uma modalidade preferida, o referido aparelho de RMN é configurado para gerar uma imagem por RMN 3-D de uma pluralidade de ovos dispostos em um padrão regular, particularmente em uma configuração de matriz, e para dividir a imagem correspondente aos ovos individuais.

[0068] Em uma modalidade preferida, o referido aparelho de RMN é ainda configurado para obter dados quantitativos de medição selecionados de um grupo que consiste em parâmetros de relaxamento, constantes de difusão e mapeamento de tensores de difusão, dados de RMN múltiplo quantum, dados de RMN nulo quantum, dados de mapeamento de susceptibilidade e dados de mapeamento T2*.

BREVE DESCRIÇÃO DAS FIGURAS

[0069] Fig. 1 é uma ilustração esquemática de um aparelho para determinação não invasiva automatizada da fertilidade do ovo de uma ave.

[0070] A Fig. 2a é uma vista em perspectiva de uma matriz de bobinas de RF disposta em um plano paralelo e ligeiramente acima de uma bandeja carregada de ovos.

[0071] A Fig. 2b é uma vista em perspectiva de uma matriz de bobinas de RF disposta em um plano paralelo e ligeiramente abaixo de uma bandeja carregada com ovos.

[0072] A Fig. 2c é uma vista em perspectiva de uma matriz de bobinas de RF na qual as bobinas são dispostas em planos verticais que se estendem entre fileiras de ovos na bandeja, cujas fileiras se estendem paralelamente à direção de transporte da bandeja.

[0073] A Fig. 3 mostra esquematicamente uma porção de uma bandeja incluindo uma depressão para receber um ovo e quatro bobinas de RF integradas na bandeja ao redor do ovo.

[0074] A Fig. 4 mostra mais detalhes das matrizes de bobinas das Figs. 2A a C e 3.

[0075] A Fig. 5 é um exemplo de diagrama que ilustra uma aquisição e reconstrução ultrarrápidas para imageação por RMN.

[0076] A Fig. 6 mostra um volume 3-D (representado como uma pluralidade de fatias 2-D) de uma imagem de RMN que pode ser introduzida em um procedimento baseado em aprendizagem de máquina para classificação.

[0077] A Fig. 7 é uma imagem por RMN de um ovo mostrando a latebra, o pescoço da latebra e o disco germinativo.

[0078] A Fig. 8 mostra duas imagens de RMN, incluindo o disco germinativo de um ovo fértil (à esquerda) e um ovo infértil (à direita).

[0079] A Fig. 9 mostra a distribuição do diâmetro dos discos germinais para ovos férteis e inférteis.

[0080] A Fig. 10 mostra a distribuição do volume de discos germinais para ovos férteis e inférteis.

[0081] A Fig. 11 é um diagrama esquemático que ilustra um classificador de aprendizagem de máquina com base na extração de características geradas manualmente e um algoritmo de boosting.

[0082] A Fig. 12 é um diagrama esquemático que ilustra uma arquitetura de rede neural convolucional (CNN) usada em várias modalidades da presente invenção.

[0083] A Fig. 13 mostra os resultados da classificação com base na arquitetura da CNN da Fig. 12.

[0084] A Fig. 14 mostra um histograma calculado por média dos coeficientes de difusão observados para uma pluralidade de ovos férteis (linha cheia) e ovos inférteis (linha tracejada).

[0085] A Fig. 15 é um gráfico de dispersão mostrando pares de valores do histograma de coeficientes de difusão a 1 mm2/s e 2 mm2/s para uma pluralidade de ovos.

[0086] A Fig. 16 mostra os espectros de RMN para ovos férteis e inférteis.

DESCRIÇÃO DA MODALIDADE PREFERIDA

[0087] Para os fins de promover uma compreensão dos princípios da invenção, será agora feita referência a uma modalidade preferida ilustrada nos desenhos, e uma linguagem específica será usada para descrever a mesma. No entanto, será entendido que nenhuma limitação do escopo da invenção é assim pretendida, tais alterações e modificações adicionais no aparelho ilustrado e tais outras aplicações dos princípios da invenção, conforme as ilustrações aqui, sendo conside- radas como normalmente ocorreria agora ou no futuro a uma pessoa versada na técnica na qual a invenção se refere.

[0088] A Fig. 1 mostra uma representação esquemática de um aparelho 10 de acordo com uma modalidade preferida da invenção. O aparelho 10 compreende um dispositivo de transporte 12, para transportar uma pluralidade de ovos 14 dispostos em uma configuração de matriz em uma bandeja 16 para dentro e para fora de um aparelho de RMN 18, que é representado pela caixa tracejada na figura. Na modalidade mostrada, o dispositivo de transporte 12 compreende uma esteira transportadora 20, na qual as bandejas 16 podem ser transportadas. O movimento da esteira transportadora 20 é controlado por um correspondente controlador de transporte 22.

[0089] O aparelho de RMN 18 compreende um arranjo de ímãs 24 para fornecer um campo magnético externo na direção z, com o qual os spins nucleares podem interagir. A direção z do campo magnético coincide com a direção de transporte da esteira transportadora 20, porém isso não é crucial para a função do aparelho 10. Na modalidade mostrada, o arranjo de ímãs 22 gera um campo magnético estático com uma intensidade de campo de 1T, porém a invenção não se limita a isso. Em vez disso, uma grande variedade de forças do campo magnético pode ser usada e, em modalidades alternativas da invenção, até a força do campo magnético da terra pode ser suficiente, como é demonstrado em Stepisnik, J., Eržen, V. & Kos, M. RMN imaging in the earth’s magnetic field. Magn. Reson. Med. 15, 386-391 (1990), e Robinson, J. N. et al. Two-dimensional RMN spectroscopy in Earth’s magnetic field. J. Magn. Reson.182, 343-347 (2006).

[0090] Além disso, o aparelho de RMN 18 compreende bobinas de gradiente 26 que são usadas para gerar campos espaciais de gradientes que são usados para codificação de imagens ou, em outras palavras, medições de RMN com resolução espacial, de uma maneira por si conhecida pela pessoa versada, e ainda descrito em Lauterbur, P. C. Image formation by induced local interactions. Examples employing nuclear magnetic resonance. Nature242, 190-191 (1973). Além disso, as bobinas de gradiente 26 também são usadas para aumentar a homogeneidade local do campo magnético externo criado pelo arranjo de ímãs 24. Os campos de gradientes aplicados pelas bobinas de gradiente 26 são controlados por um controlador de gradiente 28. Na modalidade mostrada, o controlador de gradiente 28 é otimizado para uma cobertura eficiente do espaço de medição (o espaço k), a fim de aumentar a velocidade de medição. Em particular, o controlador de gradiente 28 é configurado preferivelmente para realizar imagens eco-planares. Para detalhes de imagens eco-planares, é feita referência a Stehling, M., Turner, R. & Mansfield, P. Echo-planar imaging: magnetic resonance imaging in a fraction of a second. Science (80-. ).254, 4350 (1991), e Mansfield, P. & Maudsley, A. A. Planar spin imaging by RMN. J. Phys. C Solid State Phys.9, L409-L412 (1976). Em uma alternativa, o controlador de gradiente 28 pode controlar as bobinas de gradiente 26 para realizar leituras em espiral com design de gradiente de melhor tempo, conforme descrito em Hargreaves, B. A., Nishimura, D. G. & Conolly, S. M. Time-optimal multidimensional gradient waveform design for rapid imaging. Magn. Reson. Med.51, 81-92 (2004), que permite imagens de RMN muito rápidas.

[0091] Múltiplas bobinas de RF 30 são dispostas de modo a circundar a bandeja 16 carregada com ovos 14 na esteira transportadora 20 quando a bandeja 16 é transportada para o aparelho de RMN 18. Como a pessoa versada observará, as bobinas de RF 30 são usadas para fornecer pulsos de RF que excitam spins e, em particular, os spins de átomos de hidrogênio no interior dos ovos 14. O tempo, a forma e a força dos pulsos são controlados pelo controlador de RF 32. Uma manipulação em série dos pulsos e gradientes de RF permite a modulação do sinal medido para rápida codificação de imagens. A fim de permitir medições de alto rendimento, rápidas sequências de pulso, tais como imagens rápidas de ângulos baixos ou imagens quantitativas transitórias, podem ser implantadas, conforme descrito em mais detalhes nos artigos Haase, A., Frahm, J., Matthaei, D., Hanicke, W. & Merboldt, K. D. FLASH imaging. Rapid RMN imaging using low flip-angle pulses. J. Magn. Reson.67, 258-266 (1986)) e Gómez, P. A. et al. Accelerated parameter mapping with compressed sensing: an alternative to MR Fingerprinting. Proc Intl Soc Mag Reson Med (2017), de co-autoria dos presentes inventores e incluídos aqui por referência. Estas sequências de pulso rápido são projetadas para serem sensíveis a diferentes parâmetros relevantes usados na presente invenção, em particular relaxamento e difusão T1 e T2, mas também ao conteúdo de gordura-água ou à transferência de magnetização.

[0092] Além disso, o movimento de precessão dos spins excitados no campo magnético externo fornecido pelo arranjo de imãs 24 leva ao fluxo de corrente nas bobinas de RF 30 que podem ser detectados por um detector de RF 34. O detector de RF 34 transforma o fluxo de corrente das bobinas de RF 30 em um sinal interpretável. Isso inclui conversão analógica para digital, desmodulação e amplificação de sinal.

[0093] O aparelho de RMN 18 compreende ainda um módulo de reconstrução de imagens 36. Em modalidades preferidas, as medições de diferentes bobinas de RF 30 serão combinadas empregando-se técnicas de imagens paralelas, e uma reconstrução de imagem é alcançada através da aplicação de Transformada rápida de Fourier (FFT) nas medições adquiridas. Para detalhes das técnicas de imagens paralelas é feita referência a Pruessmann, K. P., Weiger, M., Scheidegger, M. B. & Boesiger, P. SENSE: sensitivity encoding for fast IRM. Magn. Reson. Med.42, 952-962 (1999), e Uecker, M. et al. ESPIRiT - An eigenvalue approach to autocalibrating parallel IRM: Where SENSE meets GRAPPA. Magn. Reson. Med.71, 990-1001 (2014).

[0094] Quando a amostragem não-cartesiana é usada, a FFT não uniforme pode ser usada, como descrito em in Fessler, J. A. and Sutton, B. Nonuniform Fast Fourier Transforms Using Min-Max Interpolation. IEEE Trans. Signal Process. 51, 560-574 (2003). Na modalidade mostrada, o módulo de reconstrução de imagens 36 implementa avançados algoritmos de reconstrução, tais como recuperação de matriz de baixa posição ou algoritmos iterativos. O módulo de reconstrução de imagens 36 é configurado para processar dados de diferentes dimensionalidades, isto é, sinais RMN 1D ou 2D, imagens 2D, volumes 3D e séries temporais 4D.

[0095] Os dados processados pelo módulo de reconstrução de imagens 36 são transmitidos para um módulo de classificação de ovos 38. Na modalidade mostrada, o módulo de classificação de ovos 38 tem dois propósitos, segmentação e classificação. No dispositivo de alto rendimento, o módulo de classificação de ovos 38 primeiro segmenta as imagens recebidas em porções da imagem correspondente a ovos individuais 14. Em seguida, a porção da imagem correspondente a cada ovo individual 14 é classificada de acordo com seu status de fertilidade de uma maneira descrita em mais detalhes abaixo.

[0096] O resultado da classificação de ovos é fornecido a um dispositivo de separação de ovos 40. Na modalidade mostrada, o resultado da classificação é fornecido ao dispositivo de classificação de ovos 40 na forma de uma matriz contendo os status de fertilidade codificados dos ovos 14 em uma dada bandeja 16. Com base nessas informações, o dispositivo de separação de ovos 40 pode selecionar os ovos 14 determinados como inférteis ou pode reorganizar os ovos 14 na bandeja 16 de acordo com a fertilidade. Como mostrado esquematicamente na Fig. 1, o separador de ovos 40 tem tantas ventosas 42 quanto ovos 14 na bandeja 16, em que as referidas ventosas 42 estão conectadas a um dispositivo de vácuo (não mostrado). Quando uma ventosa 42 é movida proximamente para o ovo correspondente 14, o ovo 14 será atraído e fixado à ventosa 42 por sucção a vácuo, de modo que possa ser recolhido com segurança e cuidadosamente colocado em um local diferente.

[0097] Finalmente, é fornecido um controlador central 44, que é conectado para comunicação de dados com cada um dos componentes mencionados acima envolvidos na medição de RMN, reconstrução de imagens, classificação de ovos e processo de separação de ovos, através dos correspondentes canais de dados 45.

[0098] O aparelho de RMN 18 que é planejado para a classificação de ovos em ambiente industrial aborda uma geometria de varredura bem definida. Os ovos 14 são introduzidos no aparelho de RMN 18, dispostos em uma configuração de matriz com fileiras M e colunas N em uma correspondente bandeja 16, onde as colunas são dispostas paralelamente à direção de transporte na esteira transportadora 20 da Fig. 1. Várias modalidades da invenção empregam uma matriz 30 de bobinas de RF 30a que é projetada para maximizar a relação sinal-para-ruído e minimizar o tempo de aquisição, que será descrito a seguir com referência às figuras 2 a 4. Uma vez que a amplitude de sinal da radiofrequência decai com o quadrado da distância da fonte emissora, os designs preferidos visam colocar as bobinas de RF 30a o mais próximo possível dos ovos 14. Além disso, ter uma matriz 30 de bobinas de RF 30a cria redundância espacial no campo receptor, o que pode ser explorado para reduzir o tempo de varredura.

[0099] As figuras 2A a 2C mostram três diferentes matrizes de bobinas de RF 30 que são particularmente adequadas para estabelecer relações sinal-para-ruído preferíveis e tempos mínimos de aquisição. Em cada uma das figuras 2A a 2C, uma matriz 30 de bobinas de RF 30a é mostrada esquematicamente juntamente com a bandeja 16 carregada com ovos 14. Cada bobina de RF individual 30a da matriz de bobinas de RF 30 é mostrada como tendo uma geometria em círculo para simplicidade, porém diferentes geometrias também podem ser implementadas. Na modalidade da Fig. 2A, as bobinas de RF individuais 30a são dispostas em um plano paralelo e ligeiramente acima da bandeja 16. O número de bobinas de RF individuais 30a pode, porém não precisa, corresponder ao número de ovos 14. Preferivelmente, a relação do número de bobinas de RF 30a para o número de ovos 14 dispostos na bandeja 16 é entre 1:1 a 1:25, mais preferivelmente entre 1:1 a 1:16, e muitíssimo preferivelmente entre 1:1 a 1:5. Cada uma das bobinas de RF individuais 30a é conectada, através de uma linha de transmissão correspondente 30b, ao controlador de RF 32 e ao detector de RF 34. Embora nas figuras simplificadas todas as linhas de transmissão 30b sejam mostradas como um único cabo, deve-se entender que esse cabo inclui uma pluralidade de condutores individuais, de modo que cada bobina de RF 30a, da matriz de bobinas de RF 30, possa ser controlada individualmente pelo controlador de RF 32 e seja lida pelo detector de RF 34. A seta 46 indica a direção de transporte da bandeja 16 do dispositivo de transporte 12.

[00100] A Figura 2B mostra uma matriz de bobinas de RF 30 similar a da figura 2A, que é, no entanto, colocada debaixo da bandeja 16.

[00101] A Figura 2C mostra uma matriz de bobinas de RF 30, das bobinas de RF 30a, que são dispostas verticalmente e colocadas ao lado dos ovos 14, em vez de acima ou abaixo, como é o caso nas figuras 2A e 2B. Para não interferir com os ovos 14 se movendo sobre a esteira transportadora 20, as bobinas de RF 30a da matriz de bobinas de RF 30 são dispostas em planos verticais, que se estendem entre as fileiras de ovos 14 na bandeja 16, cujas fileiras se estendem paralelamente à direção de transporte da bandeja 16 pelo dispositivo de trans- porte 12, como indicado pela seta 46.

[00102] Como o disco germinativo flutua tipicamente para a parte superior do ovo 14, a área de interesse está localizada principalmente na metade superior. Isto implica em que as configurações da Fig. 2A (plano superior da matriz de bobinas de RF 30) e da Fig. 2C (bobinas de RF 30a dispostas em planos longitudinais verticais) permitam distâncias menores entre as bobinas de RF 30a, da matriz de bobinas de RF 30, e as regiões de interesse nos ovos 14 do que a configuração da figura 2B e, portanto, uma relação sinal-para-ruído favorável. No entanto, em várias modalidades, a matriz de bobinas de RF 30 disposta em um plano abaixo da bandeja 16, como mostrado na figura 2B, pode ser usada em vez de, ou em combinação com, qualquer uma das configurações das Figs. 2A e 2C. De fato, quaisquer duas ou todas as três configurações das Figs. 2A, 2B e 2C podem ser combinadas no aparelho de RMN 18.

[00103] Em uma modalidade alternativa, as bobinas de RF 30a são fixadas ou integradas na bandeja 16, como mostrado na Fig. 3. A Fig. 3 mostra esquematicamente uma porção da bandeja 16, na qual é formada uma depressão 48 para receber um ovo 14. Quatro bobinas de RF 30a circundando o ovo 14 estão ligadas ou integradas dentro da bandeja 16. Geralmente, podem ser fornecidas uma ou mais bobinas de RF 30a por depressão 48. Outras modalidades particularmente favoráveis fornecem três, cinco, seis ou oito bobinas de RF 30a por depressão 48. Fixar ou integrar as bobinas de RF 30a dentro da bandeja 16 permite uma integração mais densa das bobinas de RF 30a e distâncias menores para os ovos correspondentes 14, sem interferir no transporte dos ovos 14 na bandeja 16, o que permite relações sinal-para-ruído particularmente altas e tempo de aquisição minimizado. No entanto, nesta modalidade, os ovos 14 precisam ser transferidos das bandejas de transporte (não mostradas) para as bandejas específicas de RMN 16 e, posteriormente, para as bandejas de incubação (não mostradas).

[00104] A Fig. 4 mostra mais detalhes das matrizes de bobinas de RF 30, que podem ser aplicadas independentemente do arranjo geométrico particular das bobinas de RF 30a na matriz de bobinas de RF 30 e, portanto, podem ser aplicadas por qualquer uma das modalidades mostradas nas figuras 2A, 2B , 2C e 3. Como é esquematicamente mostrado na Fig. 4, cada uma das bobinas de RF 30a pode compreender uma seção de antena 50, que nas modalidades mostradas tem a forma de um anel circular. No entanto, as seções de antena 50 com geometrias diferentes, tais como bobinas de Helmholtz, bobinas solenoides, bobinas sela ou bobinas tipo gaiola também podem ser usadas.

[00105] Além disso, cada bobina de RF 30a compreende um capacitor de sintonização 52 para reduzir a indutância mútua e sintonizar a frequência central, e um pré-amplificador 54 que melhora a sintonização, correspondência e desacoplamento. Além disso, cada bobina de RF 30a é conectada via linhas de transmissão 56 com um espectrômetro de RMN multicanal 58, que combina as funcionalidades do controlador de RF 32 e do detector de RF 34 mostrados na Fig. 1.

[00106] Obviamente, o tempo de medição de RMN é crítico para um dispositivo de alto rendimento. As modalidades preferidas da invenção, portanto, são otimizadas para aquisição e reconstrução em alta velocidade. Em particular, as matrizes de bobinas de RF 30 descritas acima são adequadas para imagens paralelas, para assim adquirir menos informações por bobina de RF 30a e combiná-las usando redundância espacial, tal como acelerar a medição.

[00107] As modalidades preferidas da invenção empregam o chamado método SENSE descrito em Pruessmann, K. P., Weiger, M., Scheidegger, M. B. & Boesiger, P. SENSE: sensitivity encoding for fast IRM. Magn. Reson. Med.42, 952-962 (1999), que faz uso de redundância espacial para adquirir uma subamostra do espaço k e reconstruir imagens não sinônimas. Um método relacionado que é igualmente aplicável é o chamado método de Autocalibração Generalizada de Aquisições Parcialmente Paralelas (GRAPPA), como descrito em Griswold, M. A. et al, Generalized auto calibrating partially parallel acquisitions (GRAPPA), Magn. Res. Med 47, 1202-1210 (2002).

[00108] Para aumentar ainda mais o rendimento, são usadas tecnologias multibanda, que utilizam várias frequências de excitação para permitir a aquisição paralela em diferentes locais espaciais ao longo do orifício do arranjo de imãs 24, desse modo reduzindo também o tempo total de varredura. Uma explicação mais detalhada da tecnologia multibanda é dada em Feinberg, D. A. et al. Multiplexed echo planar imaging for sub-second whole brain fmri and fast diffusion imaging. PLoS One5, (2010), que está incluído aqui por referência.

[00109] Acima dessas técnicas, nas modalidades preferidas, é usado o chamado sensoriamento compactado, o que reduz o número de pontos de medição necessários para reconstruir uma imagem, introduzindo assim um fator de aceleração adicional. Uma determinação de sensoriamento compactado é dada em Lustig, M., Donoho, D. & Pauly, J. M. Sparse IRM: The application of compressed sensing for rapid MR imaging. Magn. Reson. Med.58, 1182-1195 (2007).

[00110] Além disso, em modalidades preferidas, a imagem é adquirida no estado transitório, que pode ser realizado de maneira ultra-rápida e usar parâmetros quantitativos, como é descrito nos trabalhos em co-autoria dos presentes inventores, ver Gómez, P. A. et al. Accelerated parameter mapping with compressed sensing: an alternative to MR Fingerprinting. Proc Intl Soc Mag Reson Med (2017). Outra maneira adequada de imagem transitória é descrita em Ma, D. et al. Magnetic resonance fingerprinting. Nature495, 187-192 (2013).

[00111] As configurações da matriz de bobinas de RF e os métodos de reconstrução de imagem introduzidos anteriormente permitem a rápida formação de imagens do espaço 3-D que contém a matriz de ovos NxM 14. Dependendo da geometria da bobina de RF e do método de processamento escolhido, será reconstruída em algumas modalidades uma imagem por ovo 14, enquanto em outras modalidades será reconstruída uma única imagem por bandeja 16. No caso de uma única imagem por ovo 14, cada imagem pode ser classificada individualmente. No caso de uma imagem por bandeja 16, os ovos individuais 14 na imagem precisam primeiro ser segmentados antes da classificação. Há várias técnicas de segmentação que podem ser usadas; porém, dada a simplicidade da geometria das bandejas 16, a solução preferida é predefinir uma grade correspondente a cada depressão 48 com um único ovo 14.

[00112] Para alcançar um grande número de ovos escaneados por segundo, nas modalidades preferidas, rápidas sequências de pulsos são utilizadas. Estas são tipicamente caracterizadas por não serem limitadas pelo tempo de repetição (TR). Entre elas, a preferida é a precessão livre no estado estacionário (SSFP), como é descrito, por exemplo, em Carr, H. Y. Steady-state free precession in nuclear magnetic resonance. Phys. Rev. 112, 1693-1701 (1958). Essa família de sequências de pulsos aplica repetidas excitações de RF aos prótons em um tempo de repetição (TR) muito curto, na ordem de dezenas de milissegundos. Como resultado, a magnetização nunca se recupera completamente, porém atinge um estado estacionário após várias excitações de RF. Quando isso acontece, é possível ler uma parte da imagem em cada um desses TRs ultracurtos, agregando-as para abranger rapidamente todo o espaço de medição. Esta família de sequências é caracterizada por ser altamente eficaz em termos de relação sinal-para-ruído por unidade de tempo. Nesses termos, também pode ser usada a captura rápida de imagens de ângulos baixos (FLASH), conforme mencionado acima. Como SSFP, possui um TR na ordem de dezenas de milissegundos, porém contrário a SSFP, assume a recuperação de sinal após cada TR devido à pequena excitação induzida por um ângulo de rotação baixo. Sob os mesmos princípios, a impressão digital por ressonância magnética e a imagem quantitativa em estado transitório levam a aquisição até a medição limite no estado transitório (antes de atingir o estado estacionário). Possuem a vantagem de não apenas produzir imagens estruturais, mas também mapas quantitativos dos parâmetros magnéticos do tecido.

[00113] Para reduzir ainda mais o tempo de aquisição, pode-se medir amostras abaixo do limite de Nyquist e reconstruir usando imagens paralelas, conforme descrito nos trabalhos de Pruessmannet al., Griswold, M. A. et al. e também em Uecker, M. et al. ESPIRiT - An eigenvalue approach to autocalibrating parallel IRM: Where SENSE meets GRAPPA. Magn. Reson. Med. 71, 990-1001 (2014) e sensoriamento compactado, como descrito no trabalho referenciado acima de Lustig et al. A imagem paralela tem a vantagem de usar redundância de bobina e informações espaciais trazidas pela cobertura das bobinas de RF. Por exemplo, em uma matriz de bobinas de RF que cobre uma região do espaço, cada bobina medirá diferentes sinais, uma vez que são colocadas em locais diferentes. As diferenças entre esses sinais, juntamente com o mapa de sensibilidade de RF de cada bobina, permitem recuperar as informações perdidas. Esse conceito pode ser tomado ainda com o sensoriamento compactado. O sensoriamento compactado utiliza redundância e correlações presentes em imagens naturais. Tirando vantagem dessas correlações, é possível amostragem abaixo do limite de Nyquist e ainda recuperar imagens completas. Para funcionar, o sensoriamento compactado requer padrões de amostragem aleatórios e reconstruções não lineares, que reforçam a consistência de dados combinada com a regularização. O resultado final da imagem paralela combinada e do sensoriamento compactado são aquisições significativamente aceleradas.

[00114] Um nível adicional de paralelização está disponível com o uso de multifatias simultâneas (SMS), conforme descrito em Feinberg et al. acima referido. Essa técnica multiplica o problema de aquisição em diferentes faixas de frequência usando pulsos de RF multibanda. Portanto, é possível adquirir várias regiões do objeto escaneado ao mesmo tempo em várias faixas de frequência.

[00115] Finalmente, também é possível adquirir dados em resoluções mais grosseiras e reduzir o tamanho do voxel durante a reconstrução pela chamada etapa de transferência de qualidade. O método de transferência de qualidade é descrito em mais detalhes em Alexander, D. C. et al. Image quality transfer and applications in diffusion IRM. Neuroimage 152, 283-298 (2017) e Tanno, R. et al. Bayesian Image Quality Transfer with CNNs: Exploring Uncertainty in dMRI SuperResolution. (2017). em <http://arxiv.org/abs/1705.00664>. Esses métodos se baseiam em uma abordagem de aprendizagem de máquina em que um modelo, por exemplo, uma floresta aleatória, é treinado para capturar os detalhes de alta resolução e transferi-los para dados de baixa resolução.

[00116] Todas as técnicas de imagem por RMN geralmente compartilham um processo de duas etapas para escanear uma imagem: aquisição e reconstrução. Normalmente, na IRM, o tempo de aquisição é muito maior que o tempo de reconstrução. A combinação de rápidas sequências de pulsos com imagens paralelas multibanda e sensoriamento compactado troca o tempo de aquisição pelo tempo de reconstrução e o último pode se beneficiar muito do poder computacional e dos algoritmos de reconstrução inteligente que recuperam a imagem original. Como resultado, o tempo total de aquisição e reconstrução é reduzido em várias ordens com essa configuração. Uma ilustração esquemática resumindo o exposto acima é mostrada na Fig. 5.

[00117] Utilizando o aparelho 10, mostrado na Fig. 1, juntamente com as matrizes de bobinas 30, como explicado com referência às Fig. 2 a Fig. 4, pode ser gerado um volume 3-D de um ovo mostrado como uma pluralidade de fatias 2-D de uma imagem de RMN do tipo mostrado na Fig. 6.

[00118] Para os fins da invenção, a parte mais interessante da imagem por RMN 3-D é a parte que inclui o disco germinativo. A Fig. 7 mostra uma fatia de uma imagem por RMN 3-D, na qual a latebra 1, o pescoço da latebra 2 e o disco germinativo 3 podem ser discernidos.

[00119] A Fig. 8 mostra duas fatias de imagens por RMN para comparação, mostrando um ovo fértil à esquerda e um ovo infértil à direita. Em cada caso, o disco germinativo está localizado no quadrado branco. Observa-se que o disco germinativo do ovo fértil difere em tamanho e formato do disco infértil.

[00120] A Fig. 9 mostra a distribuição de diâmetros do disco germinativo, quando extraídos dos dados de imagem por RMN de 100 ovos diferentes e classificados de acordo com o estado fértil e infértil. Observa-se que os diâmetros do disco germinativo nos ovos férteis são maiores que os dos ovos inférteis. No entanto, há alguma sobreposição, de modo que uma distinção baseada apenas no diâmetro teria que enfrentar erros de previsão na prática.

[00121] A Fig. 10 mostra a distribuição dos volumes do disco germinativo, quando extraídos dos dados de imagem por RMN de 30 ovos diferentes, e classificados de acordo com o estado fértil e infértil. Observa-se que o volume do disco germinativo nos ovos férteis é maior do que nos ovos inférteis, porém uma distinção baseada apenas no volume medido também teria que enfrentar erros de previsão na prática.

[00122] A fim de fornecer uma previsão confiável da fertilidade, de acordo com uma modalidade da invenção, pelo menos duas características são derivadas de cada uma das imagens de RMN 3-D, e as referidas pelo menos duas características são usadas em um classificador baseado em características para determinar uma previsão de fertilidade. Baseando a classificação em pelo menos duas características, as ambiguidades que podem surgir contando apenas com o diâmetro ou o volume do disco germinativo podem ser significativamente diminuídas ou mesmo totalmente removidas. As características promissoras a serem usadas para esse fim são o diâmetro e o volume do disco germinativo, porque a partir das medições de RMN aqui apresentadas, percebe-se que essas características são por si próprias características de fertilidade do ovo. Em modalidades preferidas, pelo menos uma das características utilizadas para classificação corresponde, portanto, ao diâmetro ou ao volume do disco germinativo. Outra característica útil é o formato do disco germinativo. Como pode ser visto na Fig. 8, no ovo fértil mostrado à esquerda, o disco germinativo exibe um “formato em V” na respectiva fatia de RMN, que de fato foi constatado como uma característica de ovos férteis e que não se apresenta no ovo infértil à direita na Fig. 8.

[00123] No entanto, outras características também são possíveis, e o acúmulo de múltiplas características só melhorará a precisão da classificação. Por exemplo, podem ser usadas características relacionadas à localização do disco germinativo no ovo ou à textura da gema. Em particular, como está evidente nas Figs. 7 e 8, uma pluralidade de estruturas em forma de anel pode ser vista nas imagens de RMN, que são aqui referidas como "anéis visíveis por RMN". A partir desses "anéis visíveis por RMN", outras características podem ser produzidas, por exemplo, o número de anéis visíveis por RMN, sua posição na gema e/ou seu contraste na imagem de RMN. Além disso, ou alterna- tivamente, pode-se obter a textura, o volume ou formato da latebra, o comprimento do pescoço da latebra ou as relações entre os volumes ou superfícies de duas ou mais gemas, da latebra, do disco germinati-vo e do albúmen podem ser usadas como características para uso em um classificador baseado em características para determinação de uma previsão de fertilidade. Observe que estas características também são referidas aqui como "características geradas manualmente", porque são características pré-determinadas, e os dados da imagem de RMN são processados de modo a produzir essas características específicas.

[00124] Para fins de ilustração, um exemplo de um classificador de aprendizagem de máquina baseado em características geradas manualmente é mostrado esquematicamente na Fig. 11. A classificação é composta de duas etapas. Primeiro, a imagem adquirida (dados brutos) é passada por um banco de filtros que é projetado para extrair N características específicas da imagem, ou seja, volumes, distâncias, formas, texturas e muito mais. Com base nessas características, um classificador N-dimensional é treinado. Neste exemplo, M classificadores mais fracos são mostrados, que trabalham juntos para criar um classificador forte usando uma das técnicas boosting apresentadas acima. Esses classificadores mais fracos são, por exemplo, SVM, árvore de classificação, perceptron, classificadores Naive Bayes e outros.

[00125] Em vez de depender de características pré-determinadas ou "geradas manualmente", em outras modalidades, as etapas de extração e classificação de características são totalmente integradas em arquiteturas de aprendizagem profunda, como redes neurais convolucionais (CNN). A idéia é que, como foi possível demonstrar que as imagens de RMN, em princípio, carregam informações pelas quais a fertilidade pode ser reconhecida, pode-se confiar na arquitetura de aprendizagem profunda para descobrir as características a serem consideradas na classificação por si só. Há três elementos principais nessas arquiteturas, embora dependendo da implementação possa haver variações:

• 1. Camadas convolucionais: as convoluções desempenham um papel como extratores de características de imagem. Nessas camadas, os neurônios são distribuídos em mapas de características e são conectados a uma vizinhança nas camadas anteriores através de um conjunto de pesos. Esses pesos são diferentes para diferentes mapas de características, permitindo que várias características sejam extraídas do mesmo local da imagem.
• 2. Camadas de pool: Seu objetivo é alcançar invariância espacial para introduzir distorções e traduções. Conseguem isso reduzindo a resolução espacial e propagando para a próxima camada uma métrica local dos mapas característicos. Há vários esquemas pooling, em que o pool médio e máximo são os mais usados.
• 3. Camadas totalmente conectadas: Elas coletam as características extraídas pelas camadas convolucionais e de pool e produzem uma classificação baseada nelas.

[00126] As CNNs precisam aprender seus parâmetros livres (pesos e polarizações) para cumprir sua missão. Esse processo pode ser baseado em uma função de perda que calcula o erro de classificação e em um algoritmo de treinamento (por exemplo, retropropagação) para determinar o ajuste dos parâmetros da CNN com base no erro. Um grande desafio das CNNs é evitar o sobreajuste ou a capacidade de generalizar a classificação para dados despercebidos. Uma abordagem útil para controlar o sobreajuste é o uso de um conjunto de dados de validação durante o treinamento, o qual é usado em modalidades favoráveis da presente invenção. Isso envolve dividir o conjunto de dados em dois grupos, treinamento e validação. Como seus nomes indicam, o primeiro é usado para preparação, enquanto o segundo controla que a precisão e o erro melhorem não apenas no conjunto de dados de treinamento, porém também nos dados ainda despercebidos.

[00127] Um exemplo de CNN para uso em modalidades favoráveis da invenção é mostrado esquematicamente na Fig. 12. A imagem por RMN com dimensões HxW é convoluída com kernels C de tamanho hxw para extrair mapas de características. As operações de pooling e convolução Cn transformam as dimensões dos mapas de características em HnxWn, n = [1, p]. Finalmente, q camadas totalmente conectadas com neurônios Lm por camada (m = [1, q]) utilizam as características derivadas das etapas anteriores para obter uma classificação da imagem.

[00128] Usando uma CNN da estrutura geral mostrada na Fig. 12 e realizando um treinamento e validação com base em 300 ovos, metade deles férteis e metade deles inférteis, uma precisão de 97,3% no conjunto de dados de validação pode ser alcançada, como é visto na Fig. 13. Aqui, foi usada uma implementação da CNN AlexNet (Krizhevsky, A., Sutskever, I. & Hinton, G. E. ImageNet Classification with Deep Convolutional Neural Networks. Adv. Neural Inf. Process. Syst. 1-9 (2012). doi:http://dx.doi.org/10.1016/j.protcy.2014.09.007).

[00129] A Fig. 13 mostra a perda e a precisão, tanto para os dados de treinamento (isto é, imagens de RMN de 250 ovos) quanto para os dados de validação (dados de RMN de 50 ovos). Observa-se que após 50 épocas de treinamento (iterações), a precisão da classificação em relação aos dados de treinamento já atinge quase 100%. Essa taxa muito alta é devido ao “sobreajuste” mencionado anteriormente, mas a questão importante é, naturalmente, como a CNN atua em imagens de RMN de ovos que não viu durante o treinamento. Isso é representado pela precisão dos dados de validação, que, após 50 épocas de treina- mento, ainda levam a uma precisão de 97,3%, o que demonstra que o método da invenção trabalha claramente com uma confiabilidade e precisão que permitem uma implementação comercialmente atrativa.

[00130] Observe que tanto a classificação com base no classificador baseado em características quanto o algoritmo de aprendizagem profunda são fundamentalmente diferentes de uma mera "comparação com imagens de RMN armazenadas em um banco de dados", conforme sugerido na EP 0 890 838 B1 mencionada acima. De fato, duvida-se de que, por essa comparação, uma previsão de fertilidade confiável possa realmente ser feita, e este documento não mostra quaisquer dados experimentais sugerindo isso.

[00131] Em várias modalidades da invenção, redes adversárias generativas podem ser usadas. Nas redes adversárias generativas (GAN), duas redes neurais são treinadas ao mesmo tempo. A primeira aprende como gerar imagens artificiais a partir de um espaço de amostras, e a segunda tenta determinar se as imagens geradas são artificiais ou não. Elas são chamadas de adversárias porque as redes generativas tentam "enganar" a rede de classificação, aprendendo como criar imagens que parecem reais. Há duas idéias por trás disso: 1) É possível, eventualmente, passar do aprendizado supervisionado para o aprendizado não supervisionado, criando o próprio conjunto de dados sintéticos e reduzindo a demanda de imagens de "preparação real". 2) Pode-se replicar a mesma arquitetura para ensinar uma rede a gerar “imagens férteis e inférteis” e uma segunda para classificá-las em uma configuração adversária. Para mais detalhes, é feita referência a Goodfellow, I. J. et al. Generative Adversarial Networks. (2014). at <http://arxiv. org/abs/1406.2661>.

[00132] A Fig. 14 mostra um histograma calculado por média do coeficiente de difusão D observado ao longo de uma pluralidade de ovos férteis (linha cheia) e ovos inférteis (linha tracejada). No histo- grama, para cada um dos respectivos parâmetros bins, é contado o número de voxels que se situam dentro do bin. D é o coeficiente de autodifusão molecular (também referido como "constante de difusão") das moléculas de água que foi definido por A. Einstein em 1905 (A. Einstein em "Ann Physik", 17, pág. 549 (1905)). Diferente da lei de Fick, nenhum "gradiente" é necessário para sua definição. Em vez disso, pode-se pensar em um certo pequeno volume de moléculas de água em um grande volume. Após esperar um certo intervalo de tempo t, várias moléculas de água "se difundirão" além desse volume em virturde do movimento browniano. O coeficiente de difusão descreve a rapidez com que esse processo ocorre. A equação de Einstein descreve a distância X para as moléculas de água que se deslocam pelo Movimento Browniano:
X2 = 2Dt.

[00133] Na RMN, esse processo pode ser medido usando o sinal de RMN da água e aplicando um gradiente de campo magnético. O coeficiente de difusão D da água é alterado por vários detalhes anatômicos. Por exemplo, se houver uma barreira de difusão, como uma membrana celular, D será diminuído.

[00134] Os coeficientes de difusão representados na Fig. 14 foram determinados para cada um dos voxels de uma imagem do coeficiente de difusão de todo o volume de uma pluralidade de ovos. Como é observado na Fig. 14, o histograma tem valores muito semelhantes em torno de 2 mm2/s (correspondendo ao albúmen), mas os coeficientes de difusão em torno de 1 mm2/s (encontrados em regiões dentro da gema) são mais frequentemente encontrados em ovos inférteis do que em ovos férteis. Consequentemente, essa diferença pode ser tomada como um critério adicional para determinar a fertilidade, que pode ser incorporada aos procedimentos de aprendizagem de máquina para aumentar ainda mais a precisão.

[00135] A Fig. 15 mostra um gráfico de dispersão de pares de valores do histograma do coeficiente de difusão a 1 mm2/s e 2 mm2/s, para nove ovos férteis e dez ovos inférteis. Como pode ser visto na Fig. 15, no gráfico de dispersão simples, todos, exceto um ovo de cada espécie, estão localizados no lado correspondente de uma linha de separação tracejada, o que indica uma razão dos valores do histograma em 2 mm2/s e 1 mm2/s, cuja razão é geralmente excedida para ovos férteis e não alcançada para ovos inférteis.

[00136] A Fig. 16 mostra um espectro de RMN da gema para ovos férteis e inférteis. O espectro mostra um pico a cerca de 1 ppm correspondente a gordura e um pico a cerca de 4,7 ppm correspondente a água. Os inventores constataram que a razão entre a altura do pico da gordura e a altura do pico da água é mais alta para ovos inférteis do que para ovos férteis. Consequentemente, com base nessa razão, também pode ser feita a distinção entre ovos férteis e inférteis.

[00137] Em modalidades preferidas, um ou ambos os indicadores de fertilidade, isto é, a forma do histograma do coeficiente de difusão e a relação dos picos de gordura e água, podem ser combinados para aumentar a confiabilidade da previsão. Observe que a comparação dos valores do histograma em 1 mm2 s e 2 mm2/s é apenas uma maneira de explorar a forma característica do histograma do coeficiente de difusão. Em modalidades preferidas, todo o histograma do coeficiente de difusão pode ser apresentado a um algoritmo de aprendizagem de máquina, que aprende automaticamente a distinguir entre histogramas do coeficiente de difusão correspondentes a ovos férteis e inférteis. A Fig. 15 indica que há informações relacionadas à fertilidade suficientes no histograma de difusibilidade para fazer a distinção correta, que pode ser adequadamente contabilizada por um módulo de aprendizagem de máquina, tal como um módulo de classificação de ovos adequadamente configurado 38.

[00138] Da mesma forma, embora a relação dos picos de gordura e água no espectro da Fig. 16 seja apenas uma maneira de distinguir a fertilidade do ovo com base no espectro, em modalidades alternativas todo o espectro pode ser apresentado a um módulo de aprendizagem de máquina, tal como um módulo de classificação de ovos 38 adequadamente configurado, que, após treinamento suficiente, pode distinguir entre ovos férteis e inférteis com base no espectro.
LISTA DE REFERÊNCIAS
1 latebra
2 pescoço da latebra
3 disco germinativo
10 aparelho para determinação não invasiva da fertilidade de um ovo
12 dispositivo de transporte
14 ovo
16 bandeja
18 aparelho de RMN
20 esteira transportadora
22 controlador de transporte
24 arranjo de ímãs
26 bobinas de gradiente
28 controlador de gradiente
30 matriz de bobinas de RF
30a bobina de RF
32 controlador de RF
34 detector de RF
36 módulo de reconstrução de imagem
38 módulo de classificação de ovos
40 dispositivo de separação de ovos
42 ventosa de sucção do dispositivo de classificação de ovos 40
44 controlador central
45 canal de dados
46 direção de transporte
48 depressão na bandeja 16
50 seção de antena
52 capacitor de sintonização
54 pré-amplificador
56 linhas de transmissão
58 espectrômetro de RMN
60 interface do usuário

Claims (13)

1. Método de determinação não invasiva automatizada da fertilidade de um ovo de pássaro (14), o referido método caracterizado pelo fato de que compreende as seguintes etapas:
   transportar uma pluralidade de ovos de pássaro (14) sequencialmente ou em paralelo para um aparelho de RMN (18),
   submeter os ovos de pássaro (14) a uma medição de RMN e geração de uma imagem por RMN 3-D de pelo menos uma parte de cada um dos referidos ovos (14), preferivelmente antes da incubação, a referida imagem por RMN 3-D tendo uma resolução espacial em pelo menos uma dimensão de 1,0 mm ou menos, preferivelmente de 0,50 mm ou menos, em que a referida parte do ovo (14) inclui o disco germinativo do respectivo ovo (14), e
   determinar uma previsão de fertilidade por derivar pelo menos uma característica de cada uma das referidas imagens de RMN 3-D, e usar a referida pelo menos uma característica em um classificador baseado em características para determinação de uma previsão de fertilidade, em que a referida pelo menos uma característica é escolhida do grupo que consiste em diâmetro do disco germinativo, volume do disco germinativo, formato do disco germinativo, textura do disco germinativo, localização do disco germinativo no ovo, e uma relação entre os volumes ou superfícies do disco germinativo e um da gema, da latebra, e do albúmen.
2. Método de acordo com a reivindicação 1, caracterizado pelo fato de que pelo menos duas características são derivadas das referidas imagens de RMN 3-D e usadas no referido classificador baseado em características, em que pelo menos uma das referidas pelo menos duas características é escolhida do grupo referido na reivindicação 1, e em que preferivelmente pelo menos uma das referidas pelo menos duas características é escolhida do grupo que consiste em di- âmetro do disco germinativo, volume do disco germinativo e formato do disco germinativo, em que o referido procedimento é preferivelmente um procedimento baseado em aprendizagem de máquina.
3. Método de acordo com qualquer uma das reivindicações de 1 a 3, caracterizado pelo fato de que a referida etapa de determinação da previsão de fertilidade é realizada por um módulo de classificação (38), em que o referido método compreende ainda uma etapa de transportar a referida pluralidade de ovos de pássaro (14) para fora do referido aparelho de RMN (18) e selecionar os ovos (14) de acordo com a previsão de fertilidade fornecida pelo referido módulo de classificação (38), e/ou
   em que o classificador baseado em características usa o método kernel, em particular uma máquina de vetores de suporte ou uma máquina de vetores de relevância, um perceptron do kernel, uma análise discriminante quadrática ou uma análise discriminante linear, árvores de classificação, florestas aleatórias ou um classificador Naive Bayes,
   em que o referido método compreende preferivelmente a aplicação de uma técnica boosting, em particular uma técnica boosting adaptativa, uma técnica boosting logística ou uma técnica de árvore boosting probabilística.
4. Método de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que os referidos ovos (14) são dispostos em um padrão regular, em particular em uma configuração de matriz, em uma bandeja (16) durante o referido transporte e medição de RMN, em que o número de ovos (14) dispostos na referida bandeja (16) é preferivelmente de pelo menos 36, mais preferivelmente de pelo menos 50, e muitíssimo preferivelmente de pelo menos 120,
   em que o referido aparelho de RMN (18) compreende preferivelmente uma matriz (30) de bobinas de RF (30a) para aplicação de campos magnéticos de RF aos ovos (14) localizados na bandeja (16), e/ou para detecção de sinais de RMN, a referida matriz (30) de bobinas de RF (30a) compreendendo uma ou mais de:

   • - uma pluralidade de bobinas (30a) dispostas em um plano localizado acima da bandeja (16) carregada com ovos (14), quando transportados para o aparelho de RMN (18),
   • - uma pluralidade de bobinas (30a) dispostas em um plano localizado abaixo da bandeja (16) carregada com ovos (14), quando transportados para o aparelho de RMN (18),
   • - uma pluralidade de bobinas (30a) dispostas em planos verticais que se estendem entre fileiras de ovos (14) na bandeja (16), quando transportados para o aparelho de RMN (18), cujas fileiras se estendem em paralelo à direção de transporte da bandeja (16), para dentro e para fora do aparelho de RMN (18),

   em que, no caso da pluralidade de bobinas (30a) dispostas em um plano localizado acima ou abaixo da bandeja (16) carregada com ovos (14), a relação do número de bobinas (30a) para o número de ovos (14) dispostos na referida bandeja (16) é preferivelmente entre 1:1 a 1:25, mais preferivelmente entre 1:1 a 1:16, e muitíssimo preferivelmente entre 1:1 a 1:5, e/ou
   em que o referido aparelho de RMN (18) compreende preferivelmente uma matriz (30) de bobinas de RF (30a) para aplicação de campos magnéticos de RF aos ovos (14) localizados na bandeja (16), e/ou para detecção de sinais de RMN, a referida matriz (30) de bobinas de RF (30a) sendo integrada ou fixada à referida bandeja (16), em que a bandeja (16) compreende preferivelmente uma pluralidade de depressões (48) ou bolsas para receber um correspondente ovo (14), e em que um número de bobinas (30a) é associado com cada uma das referidas depressões (48) ou bolsas, em que o referido número de bobinas (30a) por depressão (48) ou bolsa é de pelo menos 1, preferivelmente pelo menos 2, mais preferivelmente pelo menos 3, e muitíssimo preferivelmente pelo menos 4, e/ou em que pelo menos algumas das referidas bobinas (30a) são dispostas verticalmente com relação ao plano principal da bandeja (16), ou com um ângulo de pelo menos 50°, preferivelmente de pelo menos 75°, e mais preferivelmente de pelo menos 80° com relação ao plano principal da bandeja (16).
5. Método de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que as referidas imagens de RMN 3-D da pluralidade de ovos (14) são obtidas usando imagea-ção em paralelo, em que imagens coerentes de uma matriz de ovos (14) com base nas medições com múltiplas bobinas de RF (30a) são reconstruídas, e/ou em que as referidas imagens de RMN 3-D da pluralidade de ovos (14) são obtidas usando uma técnica simultânea de multifatias (SMS), na qual são reconstruídas imagens multiplicadas de uma matriz de ovos (14) com base em medições em diferentes faixas de frequência, e/ou
   em que as imagens de RMN 3-D são geradas usando sensoriamento compactado, permitindo recuperar imagens de medições amostradas abaixo do limite de Nyquist.
6. Método de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que as imagens de RMN 3-D são geradas usando uma ou mais precessões livres no estado estacionário, imagens rápidas de ângulos baixos e/ou imagens quantitativas em estado transitório, e/ou
   em que compreende ainda uma etapa de melhoria da qualidade da imagem de RMN por meio de uma técnica de transferência de qualidade, e/ou
   em que o número de ovos (14) transportados em para-lelo para o referido aparelho de RMN (18) e a geração de imagens de RMN são adaptados de modo que a determinação da previsão de fertilidade seja realizada em uma taxa de 20 segundos por ovo (14) ou menos, preferivelmente de 10 segundos por ovo (14) ou menos, e mais preferivelmente de 2 segundos por ovo (14) ou menos.
7. Método de acordo com qualquer uma das reivindicações de 1 a 6, caracterizado pelo fato de que é gerada uma imagem de RMN 3-D de uma pluralidade de ovos (14) dispostos em um padrão regular, em particular em uma configuração de matriz, e a imagem é dividida em imagens correspondentes a ovos individuais (14), que são submetidos à referida determinação de previsão de fertilidade e/ou
   em que a determinação da previsão de fertilidade é suplementada com dados quantitativos de medição selecionados de um grupo que consiste em parâmetros de relaxamento, constantes de difusão e mapeamento de tensores de difusão, dados de RMN múltiplo quantum, dados de RMN nulo quantum, dados de mapeamento de susceptibilidade e dados de mapeamento T2*.
8. Aparelho (10) para determinação não invasiva automatizada da fertilidade de um ovo de pássaro (14), o referido aparelho caracterizado pelo fato de que compreende:
   um aparelho de RMN (18),
   um dispositivo de transporte (12) para transportar uma pluralidade de ovos de pássaro (14) sequencialmente ou em paralelo para o referido aparelho de RMN (18) e para fora do referido aparelho de RMN (18), em que o referido aparelho de RMN (18) é configurado para submeter os ovos de aves (14) a uma medição por RMN,
   em que o referido aparelho (10) compreende ainda um módulo de classificação (38) e um dispositivo de separação de ovos (40) para selecionar os ovos (14) de acordo com a previsão de fertilidade do ovo fornecida pelo referido módulo de classificação (38),
   em que o referido aparelho de RMN (18) é configurado para gerar uma imagem por RMN 3-D de pelo menos uma parte de cada um dos referidos ovos (14), a referida imagem de RMN 3-D com uma resolução espacial em pelo menos uma dimensão de 1,0 mm ou menos, preferivelmente de 0,50 mm ou menos, em que a referida parte do ovo (14) inclui o disco germinativo do respectivo ovo (14), e
   em que o referido módulo de classificação (38) é configurado para determinar uma previsão de fertilidade por derivar pelo menos uma característica de cada uma das referidas imagens de RMN 3-D, e usar a referida pelo menos uma característica em um classificador baseado em características para determinar uma previsão de fertilidade, em que a referida pelo menos uma característica é escolhida do grupo que consiste em diâmetro do disco germinativo, volume do disco germinativo, formato do disco germinativo, textura do disco germinativo, localização do disco germinativo no ovo, e a relação entre os volumes ou superfícies do disco germinativo e um da gema, da late-bra, e do albúmen.
9. Aparelho (10) de acordo com a reivindicação 8, caracterizado pelo fato de que pelo menos duas características são derivadas das referidas imagens de RMN 3-D e usadas no referido classificador baseado em características, em que pelo menos uma das referidas pelo menos duas características é escolhida do grupo referido na reivindicação 8, e em que preferivelmente pelo menos uma das referidas pelo menos duas características é escolhida do grupo que consiste em diâmetro do disco germinativo, volume do disco germinativo e formato do disco germinativo, em que o referido procedimento é preferivelmente um procedimento baseado em aprendizagem de máquina,
   em que o classificador baseado em características usa preferivelmente o método kernel, em particular uma máquina de vetores de suporte ou uma máquina de vetores de relevância, um percep-tron do kernel, uma análise discriminante quadrática ou uma análise discriminante linear, árvores de classificação, florestas aleatórias ou um classificador Naive Bayes.
10. Aparelho (10) de acordo com qualquer uma das reivindicações 8 ou 9, caracterizado pelo fato de que os referidos ovos (14) são dispostos em um padrão regular, em particular em uma configuração de matriz, em uma bandeja (16) durante o referido transporte e medição por RMN, em que o número de ovos (14) dispostos na referida bandeja (16) é preferivelmente de pelo menos 36, mais preferivelmente de pelo menos 50, e muitíssimo preferivelmente de pelo menos 120,
    em que o referido aparelho de RMN (18) compreende preferivelmente uma matriz (30) de bobinas de RF (30a) para aplicação de campos magnéticos de RF aos ovos (14) localizados na bandeja (16), e/ou para detecção de sinais de RMN, a referida matriz (30) de bobinas de RF (30a) compreendendo uma ou mais de:

    • - uma pluralidade de bobinas (30a) dispostas em um plano localizado acima da bandeja (16) carregada com ovos (14), quando transportados para o aparelho de RMN (18),
    • - uma pluralidade de bobinas (30a) dispostas em um plano localizado abaixo da bandeja (16) carregada com ovos (14), quando transportados para o aparelho de RMN (18),
    • - uma pluralidade de bobinas (30a) dispostas em planos verticais que se estendem entre fileiras de ovos (14) na bandeja (16), quando transportados para o aparelho de RMN (18), cujas fileiras se estendem em paralelo à direção de transporte da bandeja (16), para dentro e para fora do aparelho de RMN (18),

    em que, no caso da pluralidade de bobinas (30a) dispostas em um plano localizado acima ou abaixo da bandeja (16) carregada com ovos (14), a relação do número de bobinas (30a) para o número de ovos (14) dispostos na referida bandeja (16) é preferivelmente entre 1:1 a 1:25, mais preferivelmente entre 1:1 a 1:16, e muitíssimo preferivelmente entre 1:1 a 1:5, e/ou
    em que o referido aparelho de RMN (18) compreende preferivelmente uma matriz (30) de bobinas de RF (30a) para aplicação de campos magnéticos de RF aos ovos (14) localizados na bandeja (16), e/ou para detecção de sinais de RMN, a referida matriz (30) de bobinas de RF (30a) sendo integrada ou fixada à referida bandeja (16), em que a bandeja (16) compreende preferivelmente uma pluralidade de depressões (48) ou bolsas para receber um correspondente ovo (14), e em que um número de bobinas (30a) é associado com cada uma das referidas depressões (48) ou bolsas, em que o referido número de bobinas (30a) por depressão (48) ou bolsa é de pelo menos 1, preferivelmente pelo menos 2, mais preferivelmente pelo menos 3, e muitíssimo preferivelmente pelo menos 4, e/ou em que pelo menos algumas das referidas bobinas (30a) são dispostas verticalmente com relação ao plano principal da bandeja (16), ou com um ângulo de pelo menos 50°, preferivelmente de pelo menos 75°, e mais preferivelmente de pelo menos 80° com relação ao plano principal da bandeja (16).
11. Aparelho (10) de acordo com qualquer uma das reivindicações de 8 a 10, caracterizado pelo fato de que o referido aparelho de RMN (18) é configurado para obter imagens de RMN 3-D da pluralidade de ovos (14) usando imageação em paralelo, em que são reconstruídas imagens coerentes de uma matriz de ovos (14) com base em medições com múltiplas bobinas de RF (30a), e/ou em que o referido aparelho de RMN (18) é configurado para obter imagens de RMN 3-D da pluralidade de ovos (14) usando uma técnica simultânea de multifatias (SMS), na qual são reconstruídas imagens multiplicadas de uma matriz de ovos (14) com base em medições em diferentes faixas de frequência, e/ou
    em que o referido aparelho de RMN (18) é configurado para gerar as imagens de RMN 3-D usando sensoriamento compactado, permitindo recuperar imagens de medições amostradas abaixo do limite de Nyquist.
12. Aparelho (10) de acordo com qualquer uma das reivindicações de 8 a 11, caracterizado pelo fato de que o referido aparelho de RMN (18) é configurado para gerar imagens de RMN 3-D usando uma ou mais precessões livres no estado estacionário, imagens rápidas de ângulos baixos e/ou imagens quantitativas em estado transitório, e/ou
    em que o referido aparelho de RMN (18) é configurado para melhorar a qualidade das imagens de RMN por meio de uma técnica de transferência de qualidade, e/ou
    em que o número de ovos (14) transportados em paralelo para o referido aparelho de RMN (18) e a geração de imagens de RMN são adaptados de modo que a determinação da previsão de fertilidade possa ser realizada em uma taxa de 20 segundos por ovo (14) ou menos, preferivelmente de 10 segundos por ovo (14) ou menos, e mais preferivelmente de 2 segundos por ovo (14) ou menos.
13. Aparelho (10) de acordo com qualquer uma das reivindicações de 8 a 12, caracterizado pelo fato de que o referido aparelho de RMN (18) é configurado para gerar uma imagem de RMN 3-D de uma pluralidade de ovos (14) dispostos em um padrão regular, em particular em uma configuração de matriz, e para dividir a imagem correspondente aos ovos (14) individuais, e/ou
    em que o referido aparelho de RMN (18) é configurado ainda para obter dados quantitativos de medição selecionados de um grupo que consiste em parâmetros de relaxamento, constantes de difusão e mapeamento de tensores de difusão, dados de RMN múltiplo quantum, dados de RMN nulo quantum, dados de mapeamento de susceptibilidade e dados de mapeamento T2*.

Images