CN111386462A

CN111386462A - 自动无创式确定禽蛋的生育力

Info

Publication number: CN111386462A
Application number: CN201880073413.9A
Authority: CN
Inventors: 佩德罗·A·戈梅兹; 米格尔·莫琳娜-罗梅洛; 阿克塞尔·哈瑟; 本杰明·舒瑟斯; 马克西米利安·艾格纳; 玛利亚·拉布拉多
Original assignee: Technische Universitaet Muenchen
Current assignee: Technische Universitaet Muenchen
Priority date: 2017-11-13
Filing date: 2018-11-13
Publication date: 2020-07-07
Anticipated expiration: 2038-11-13
Also published as: EP3483620A1; BR112020008747B1; US11122778B2; MX2020004098A; US20200281166A1; DK3545326T3; MX2020004097A; RU2739153C1; EP3483619A1; ES2854001T3; EP3523649A1; US20200348248A1; US11116184B2; PT3523649T; PT3545326T; EP3545326A1; WO2019092265A1; CN111344587B; HUE052953T2; CN111386462B

Abstract

本文示出了一种自动无创式测定禽蛋(14)的生育力的方法，包括以下步骤：将多个禽蛋(14)依次或并行地输送至NMR装置(18)中；使禽蛋(14)经受NMR测量，以便产生每个所述蛋(14)的至少一部分的3‑D NMR图像，所述3‑D NMR图像在至少一个维度上具有1.0mm或或更小的空间分辨率，优选为具有0.50mm或更小的空间分辨率，其中，所述禽蛋(14)的所述部分包括相应禽蛋(14)的胚盘，根据以下两个程序中的至少一个确定生育力的预测：(i)从所述3‑D NMR图像中的每一个导出至少一个特征，并且在基于特征的分类器中使用所述至少一个特征来确定生育力的预测，以及(ii)使用深度学习算法，具体为基于卷积神经网络、生成式对抗网络、递归神经网络或长期短期记忆网络的深度学习算法。

Description

自动无创式确定禽蛋的生育力

技术领域

本发明涉及蛋生产领域。更具体地，本发明涉及一种用于无创式确定禽蛋的生育力的方法和装置，禽蛋具体为鸡蛋。

背景技术

在家禽工业中，希望无创式确定蛋的生育力。家禽工业是人类消费最重要的动物蛋白质来源之一。杂志Poultry Trends在2016年估计，全世界家禽肉的生产和消费到2025年将增加20％，直到超过13亿吨。在2016年，全球市场已生产了1164000000吨的家禽肉，其中前185家家禽生产公司屠宰接近38亿头以满足全球需求。仅在美国，家禽工业的价值为387亿美元。

尽管体量庞大，但孵化禽蛋的方法并不完善。平均家禽设施仅孵化其孵化的蛋的75％-85％。其它15-25％的蛋要么经历早期胚胎死亡，要么没有生育力。目前，在用无创式技术，诸如，

Egg remover(http://embrexbiodevices.com/Poultry-BioDevices/Embrex-Egg-Remover/)孵育18天后，将未受精的胚胎和死亡的胚胎与活胚胎分离。尽管这种方案防止了不必要地打开蛋，但是仍然很浪费：所有内部没有鸡的蛋都被处理掉。也就是说，该行业每年只能孵出超过128亿的蛋。因此，非常需要一种能够在孵化前确定蛋的生育力状态的解决方案。这种解决方案将显著提高生产率，并节省能量、成本和浪费。另外，这种解决方案还会将数十亿的蛋加入市场供人类消费。

在本领域中存在识别有生育力的蛋的几项专利。例如，美国专利5,745,228–“Method and apparatus for distinguishing live from infertile poultry eggs”使用光源来确定禽蛋内的家禽是否是活的。这是在

Egg remover中使用的技术。

美国专利6,029,080–“Method and apparatus for avian pre-hatch sexdetermination”提出使用MRI来确定蛋的禽类物种的成员的性别。尽管该专利使用MRI技术，但它不涉及生育力状态的确定，并且专注于通过MRI鉴定性腺以进行性别鉴定。

美国专利7,950,439B1–“Avian egg fertility and gender detection”建议使用白炽灯、荧光灯或LED灯形式的外部光源来确定禽蛋的生育力和性别。

美国专利US6,535,277B2-“Methods and apparatus for non-invasivelyidentifying conditions of eggs via multi-wavelength spectral comparison”依赖于使用300nm和1,100nm之间的波长的可见光和不可见光来识别蛋的多种状况，包括生育力状态。

US2013/0044210A1-“Hyperspectral identification of egg fertility andgender”使用中IR处的光来确定蛋的生育力。本专利的发明人声称，他们能够以90％的精确度确定蛋在第零天(即新产)的生育力状态。

EP 0890838B1公开了一种根据蛋的生育力选择蛋的方法和装置。根据该方法，对蛋进行核磁共振(NMR)处理以获得NMR图像，并且基于NMR图像，根据特定特性从多个蛋中选择蛋。根据一个实施方式，利用NMR图像来确定蛋黄中的质子构型。发明人声称，蛋的受精导致质子配置的特定变化，特别是在所讨论的蛋的蛋黄中，这甚至在产蛋后可直接通过NMR处理观察到。因此，可根据质子构型来确定蛋的生育力。在另一个实施方式中，建议借助于NMR图像确定蛋中是否由于受精而发生细胞分裂，具体是确定胚盘中是否由于受精而发生细胞分裂。对于该变型既没有显示具体的实例也没有显示NMR图像，也没有描述应该如何进行区分。该申请仅提及NMR图像应该“与存储在数据库中的NMR图像相比较”。事实上，甚至不清楚现有技术专利的发明人是否确实意味着正确地分析或曾经正确地分析了胚盘。即，虽然本申请涉及“所谓的蛋黄心(latebra)，在该蛋黄心上，胚盘位于蛋黄的中心”，但是应当注意的是，胚盘并不位于蛋黄心上，也不位于蛋黄的中心，而是位于蛋黄的外侧部分中，并且仅通过长颈部与蛋黄心连接。在任何情况下，根据本发明人的认知，迄今为止，基于NMR成像的蛋生育力测定方法和装置都不能以足够可靠和有效的方式操作以进行实际应用。

发明内容

本发明所面临的问题是提供一种无创式技术，其能够在产蛋后和孵化前立即自动识别不育蛋，并且能够处理大量的蛋，并且不会以任何形式损坏或改变蛋。该目的通过根据权利要求1所述的方法和根据权利要求20所述的设备来实现。在从属权利要求中限定了优选实施方式。

本发明提供了一种自动无创式测定禽蛋生育力的方法，该方法包括以下步骤：

将多个禽蛋依次或并行地输送至NMR装置中；

使禽蛋经受NMR测量，以产生所述蛋中的每个的至少部分的3-D NMR图像，所述3-DNMR图像在至少一个维度上具有1.0mm或更小的、优选为0.50mm或更小的空间分辨率，其中，所述蛋的所述部分包括相应蛋的胚盘，

根据以下两个程序中的至少一个确定对生育力的预测：

(i)从所述3-D NMR图像中的每个导出至少一个特征，并且在基于特征的分类器中使用所述至少一个特征来确定对生育力的预测，其中所述至少一个特征选自包括以下项的组：胚盘的直径、胚盘的体积、胚盘的形状、胚盘的质地、胚盘在蛋中的位置、蛋黄的质地、蛋黄中NMR-可见环的数目和/或位置、蛋黄内环的对比度、蛋黄心的质地、体积或形状、蛋黄心的颈部的长度以及蛋黄、蛋黄心、胚盘和蛋白中的两个或更多个的体积或表面之间的比率，以及

(ii)使用深度学习算法，具体为基于卷积神经网络、生成式对抗网络、递归神经网络或长期短期记忆网络的深度学习算法。

本发明人已发现鸡蛋的生育力可从包括其胚盘的3-D NMR图像中辨别出来。由于蛋可进行NMR测量而不会对外壳或内部造成任何损害或损害，因而孵化率不会受到这种测量的不利影响。同时，可避免对不育禽蛋蛋的不必要的孵化。另外，由于不育是在孵化前确定的，所以发现不育的那些蛋仍然可食用，一旦孵化开始，就不可能再食用了。

更准确地说，当处理图像以确定例如胚盘的直径或胚盘的体积时，可看出的是，可育蛋和不育蛋之间的直径和体积一致地不同，从而可使用这些特征来区分可育蛋和不育蛋。然而，为了可靠地进行区分，根据本发明，使用基于机器的学习过程。

根据本发明的一个变体，至少一个但优选地至少两个特征是从3-D NMR图像导出的，并且该特征在基于特征的分类器中用于确定生育力。在本文中，表述“从3-D NMR图像导出特征”具有广泛的含义，并且应当包括可基于表示3-D图像的数据获得该特征的任何可能的方式。例如，原始图像数据可通过适当的过滤器，该过滤器设计成从数据中提取所讨论的特征。然而，用于导出特征的其它类型的图像处理或图像数据处理同样也是可能的。

在本公开中，从3-D NMR图像提取的特征是预定的或“手工的”。重要的是，在基于特征的分类器中使用这些特征中的至少一个，优选地使用这些特征中的至少两个。对于至少一个特征的特别有利的选择是与胚盘的形状或质地相关的体积、直径或特征。然而，其它特征同样表示蛋的生育力，并且可用作基于特征的分类器中的至少一个特征或多个特征之一，例如蛋中胚盘的位置、蛋黄的质地、蛋黄中NMR-可见环的数目和/或位置或者蛋黄中环的对比度。“NMR-可见环”涉及可在蛋黄的NMR-图像中看到的环状结构，并且将在下面示出。可采用的其它特征是卵黄心的质地、体积或形状、卵黄心的长度或两个或更多个蛋黄、卵黄心、胚盘和蛋白的体积或表面之间的比率。如果在基于特征的分类器中采用两个或更多个特征，则从上述特征中选择其中的至少一个。在特别优选的实施方式中，两个或更多个特征中的至少一个选自包括胚盘的直径、体积或形状的组。另外，过程(i)优选地是基于机器学习的过程。

另外，如果NMR图像由体素构成，则上面提到的“一维空间分辨率”是相应维度中体素的大小。优选地，在至少两个、更优选地在所有三个维度上的空间分辨率是1.0mm或更小，优选地为0.5mm或更小。

代替基于对预定的或“手工”特征的分析，在替代变型中，使用深度学习算法来执行对生育力的预测，深度学习算法具体为基于卷积神经网络、生成式对抗网络、递归神经网络或长期短期记忆网络的深度学习算法。换言之，不告诉算法应该考虑什么特征用于关于生育力的分类，而是使用第二变体，算法本身通过学习过程找到表征特征。实际上，本发明人可以表明，在3-D NMR图像上使用卷积神经网络算法，可通过合理的训练以97.3％的精度预测蛋的生育力状态。

在优选实施方式中，确定对生育力的预测的步骤由分类模块执行，其中，所述方法还包括以下步骤：将所述多个禽蛋输送出所述NMR装置，并根据由所述分类模块提供的生育力预测对禽蛋进行分选。

在优选实施方式中，基于特征的分类器采用内核方法，具体为支持向量机或相关性向量机、内核感知、二次判别分析或线性判别分析、分类树、随机森林或朴素贝叶斯分类器。

应将本文所用的“内核方法”理解为利用核函数的方法，所述核函数允许在高维空间中工作，在所述高维空间中可重新排列特征，以更容易地识别模式和类边界。用于本发明目的合适的内核方法是支持向量机(SVM)。在给定训练特征组的情况下，SVM找到将具有最宽的可能裕度的类分开的线性表示。当要对新数据点进行分类时，SVM以非概率的方式将该新数据点置于一个组中。其核心是线性分类器，但可通过找到正确的核函数来解决非线性问题。关于支持向量机的更多细节，请参考Cristianini,N.&Shawe-Taylor,J.AnIntroduction to Support Vector Machines and other kernel based learningmethods.Ai Magazine 22,190(2000)。

用于本发明目的更优选的内核方法是相关性向量机(RVM)。本质上是使用概率核(通常是高斯)以产生概率分类的SVM。对于相关向量机的其它细节，可参考Tipping,M.E.Sparse Bayesian Learning and the Relevance VectorMachine.J.Mach.Learn.Res.1,211–244(2001)。

另一种有利的方法是内核感知器。尽管由经典感知器学习的模型仅适用于线性二进制分类问题，但是内核感知器在高维空间中操作，其中适当的内核函数可将非线性问题变换为线性问题(同样参见Dekel,O.,Shalev-Shwartz,S.&Singer,Y.The forgetron:akernel-based perceptron on a budget.SIAM J.Comput.37/5,1342–1372(2008))。

线性判别分析(LDA)是一种试图识别分离两个或更多个类的特征的线性组合的方法。因而，在训练期间，线性判别分析假定每个类的条件概率密度函数的高斯分布，并且学习依赖于这些分布的均值和协方差的分类阈值。对于进一步的细节，请参考Mika,S.,Ratsch,G.,Weston,J.,

B.&Muller,K.-R.Fisher discriminant analysiswith kernels.Ieee 41–48(1999).doi:10.1109/NNSP.1999.788121,and McLachlan,G.J.Discriminant analysis and statistical pattern recognition.Wiley series inprobability and statistics(2004).doi:10.1002/0471725293。LDA是二次判别分析(QDA)的简化，其中假设同方差，这意味着每一类的条件概率密度函数的协方差是相等的。如果是这种情况，则可从形式方程中消除QDA的二次项。在核心中，LDA和QDA共享相同的概念和公式：使用可从特征导出的概率信息来找到最佳地分离类的线性(LDA)或二次(QDA)阈值。

分类树是接受特征向量作为树的树干中的输入的树结构，叶表示类标签，并分支引导路径通过树的特征的结合。在训练过程中，学习特征空间内各分支的判决阈值。然而，已经发现它们易于过拟合。对于更多的细节，请参考Rokach,L.&Maimon,O.Data miningwith decision trees:Theory and applications.World Scientific Pub Co Inc(2008).at<http://www.worldscientific.com/worldscibooks/10.1142/6604>。

本文所理解的随机森林是随机生长的分类树的整体。工作原理是基于对多个分类树的输出进行平均以减少过拟合。对于进一步的细节，请参考Breiman,L.Randomforests.Mach.Learn.45,5–32(2001)。

朴素贝叶斯分类器是一族概率分类器。朴素贝叶斯分类器基于贝叶斯定理，并且假设与特征无关(因此称为朴素)。分类基于最大后验准则，即，找到其似然性与先验概率的乘积最大的类。从训练数据中学习似然性和先验概率。对于进一步的细节，请参考Rish,I.An empirical study of the naive Bayes classifier.Empir.methodsArtif.Intell.Work.IJCAI 22230,41–46(2001)。

在优选实施方式中，该方法包括：应用增强技术，具体是自适应增强技术、逻辑增强技术或概率增强树技术

如本文所理解的“增强技术”是创建“弱”分类器的聚集以构建“强”分类器的技术。“弱”分类器定义为执行略好于随机猜测的任何分类方法，而“强”分类器与真实分类很好地相关联。在这种意义上，也可将随机森林看作是一种增强技术。为了本发明的目的，三种优选的方法为：

-自适应增强(AdaBoost)：将弱分类器的输出组合在加权和中。与神经网络或SVM不同，AdaBoost在训练期间仅选择改善模型的分类能力的那些特征(参见Freund,Y.&Schapire,R.E.A Decision-Theoretic Generalization of On-Line Learning and anApplication to Boosting.J.Comput.Syst.Sci.55,119–139(1997))。

-逻辑强化(LogitBoost)：AdaBoost发展为概率公式。对于详细描述，请参见Jerome Friedman,Trevor Hastie and Robert Tibshirani.Additive logisticregression:a statistical view of boosting.Annals of Statistics 28(2),2000.337–407。

-概率提升树：自动构建一个树，其中每个节点均将多个弱分类器组合成一个强分类器(参见Tu,Z.Probabilistic boosting-tree:Learning discriminative models forclassification,recognition,and clustering.in Proceedings of the IEEEInternational Conference on Computer Vision II,1589–1596(2005))。

在优选实施方式中，在所述NMR测量中，进一步确定所述禽蛋中不同位置处的扩散系数的直方图，以及其中所述生育力的预测进一步基于所述直方图的形状。

发明人已发现，蛋中不同位置的扩散系数的直方图的形状对于可育蛋和不育蛋是不同的。在这里，直方图表示当在蛋中的不同位置进行测量时某些扩散系数出现的频率。因此，通过分析扩散系数直方图的形状，可预测生育力。然后，可将基于扩散系数直方图的形状的预测用于增强基于上述参考方法的预测。

当然，虽然有许多方法来分析扩散系数直方图的形状，但是在优选实施方式中，基于扩散系数直方图的形状来确定生育力包括比较至少两个不同扩散系数或扩散系数范围的出现频率。这是一种表征扩散系数直方图的形状的特别简单的方式，已证明该方式给出了令人惊讶的可靠结果。

在一个优选的实施方式中，所述至少两个不同的扩散系数或所述至少两个扩散系数范围的中心优选分开0.5-2.5mm²/s，更优选分开0.75-1.5mm²/s。

在所述至少两个不同的扩散系数或所述至少两个扩散系数范围的中心中，其中一个优选位于0.6至1.3mm²/s的范围内，更优选位于0.7至1.2mm²/s的范围内，并且其中另一个优选位于1.5至2.5mm²/s的范围内，更优选地位于1.7至2.3mm²/s的范围内。

在优选实施方式中，所述禽蛋中的所述各个位置均匀分布在所述禽蛋中，具体地，对应于扩散系数图像的体素。

在优选的实施方式中，在所述NMR测量中，获得包括对应于水和脂肪的峰的、所述蛋黄的NMR光谱，并且对所述生育力的预测进一步基于所述NMR光谱。

发明人同样惊奇地发现，可育蛋和不育蛋的蛋黄的NMR光谱在它们对应于水和脂肪的峰方面不同。因此，包括这种水和脂肪峰的NMR光谱的形状同样是生育力的特征，并且可用于测定。

考虑到光谱，本发明人已观察到的是，当光谱例如被归一化为对应于脂肪的峰时，与可育蛋相比，不育蛋中对应于水的峰更大。因此，确定生育力的一种方法是通过水和脂肪峰值的比率。然而，存在基于NMR光谱对生育力进行分类的不同方式。具体地，可向执行分类的机器学习模块呈现光谱或光谱的某些特征，诸如峰值高度和峰值位置。

然后，基于NMR光谱的生育力预测可用于进一步增强加基于上述方法的预测。

在一个优选实施方式中，在所述输送和所述NMR测量期间，所述禽蛋以规则模式布置在托盘上，具体是以矩阵结构布置在所述托盘上。优选地，布置在所述托盘上的禽蛋的数量为至少36个，更优选地为至少50个，最优选地为至少120个。

在优选实施方式中，所述NMR装置包括RF线圈的阵列，用于向位于所述托盘上的禽蛋施加RF磁场和/或用于检测NMR信号，所述RF线圈的阵列包括以下项中的一项或多项：

-布置在位于所述托盘上方的平面中的多个线圈，所述托盘在输送至所述NMR装置时装载有禽蛋，

-布置在位于所述托盘下方的平面中的多个线圈，所述托盘在输送至所述NMR装置时装载有禽蛋，

-布置在竖直平面中的多个线圈，当输送至所述NMR装置时，所述竖直平面在所述托盘上的禽蛋的行之间延伸，所述行平行于托盘的输送至所述NMR装置中和输送出所述NMR装置的方向延伸，

在所述多个线圈布置在位于装载有禽蛋的所述托盘上方或下方的平面中的情况下，所述线圈的数目与布置在所述托盘上的禽蛋的数目的比率优选地在1：1至1：25之间，更优选地在1：1至1：16之间，并且最优选地在1：1至1：5之间。

在优选实施方式中，所述NMR装置包括RF线圈的阵列，用于向位于所述托盘(16)上的禽蛋施加RF磁场和/或用于检测NMR信号，所述RF线圈的阵列集成至或附接至所述托盘，

在这里，所述托盘优选地包括用于接收相应禽蛋的多个凹窝或袋，以及其中，多个线圈与所述凹窝或所述袋中的每个相关联，其中，每个凹窝或袋的所述线圈的数量至少为1，优选至少为2，更优选地，至少3个，并且最优选地至少4个，和/或其中，所述线圈中的至少一些相对于所述托盘的主平面竖直地布置，或相对于所述托盘的所述主平面成至少50°的角度布置，优选地成至少75°的角度布置，并且最优选地成至少80°的角度布置。

在优选实施方式中，使用并行成像获得所述多个禽蛋的所述3-D NMR图像，其中，重构基于使用多个RF线圈(30a)的测量的、来自禽蛋阵列的相干图像。

在优选实施方式中，使用同时多切片(SMS)技术获得所述多个禽蛋的所述3-D NMR图像，其中，重构基于在不同频带的测量的、来自禽蛋阵列的复用图像。

在优选实施方式中，所述3-D NMR图像使用压缩感测产生，从而允许从在所述奈奎斯特极限以下采样的测量中恢复图像。

在优选实施方式中，使用稳态自由进动成像、快速低角度拍摄成像和定量瞬态成像中的一种或多种来产生所述3-D NMR图像。

在优选实施方式中，该方法还包括以下步骤：通过质量传递技术改善所述NMR图像的质量。

优选地，适应并行地输送到所述NMR装置的禽蛋的数量和所述NMR图像的产生，使得以20秒/禽蛋或更少的、优选10秒/禽蛋或更少的、最优选2秒/禽蛋的或更少的速率进行对所述生育力的预测的确定。

在优选实施方式中，生成以规则模式、具体是以矩阵配置布置的多个禽蛋的3-DNMR图像，并且将所述图像划分为与各个禽蛋相对应的图像，对与所述各个禽蛋相对应的图像进行所述生育力预测确定。

在优选的实施方式中，对所述生育力的预测的确定补充定量测量数据，所述定量测量数据选自包括弛豫参数、扩散常数和扩散张量映射、多量子NMR数据、零量子NMR数据、磁化率映射数据和T2*映射数据的组。

本发明的另一方面涉及一种用于自动无创式确定禽蛋的特性的设备，所述特性具体为胚胎的性别或生育力，所述设备包括：NMR装置；输送装置，用于将多个禽蛋顺序地或并行地输送至所述NMR装置中，并输送出所述NMR装置，其中，所述NMR装置配置成使所述禽蛋经受NMR测量，其中，所述设备还包括分类模块，所述分类模块配置成接收在所述NMR测量中获得的NMR数据和/或由所述NMR数据导出的数据，所述分类模块配置成基于所述NMR数据和/或由所述NMR数据导出的数据来确定对所述禽蛋的特性的预测；以及

蛋分选装置，用于根据由所述分类模块提供的蛋特性预测对所述禽蛋进行分选。

在一优选的实施方式中，所述NMR装置配置成用于使所述禽蛋(14)经受NMR测量，以产生所述禽蛋中的每个的至少部分的3-D NMR图像，所述3-D NMR图像在至少一个维度上具有1.0mm或更小的空间分辨率，优选为具有0.50mm或更小的空间分辨率，其中，所述禽蛋(14)的所述部分包括相应禽蛋(14)的胚盘，

其中，所述分类模块(38)配置成根据以下两个过程中的至少一个确定对所述生育力的预测：

(i)从所述3-D NMR图像中的每个导出至少一个特征，并且在基于特征的分类器中使用所述至少一个特征来确定对所述生育力的预测，其中，所述至少一个特征选自包括以下项的组：所述胚盘的直径、所述胚盘的体积、所述胚盘的形状、所述胚盘的质地、所述胚盘在所述禽蛋中的位置、蛋黄的质地、所述蛋黄中NMR-可见环的数目和/或位置、所述蛋黄内环的对比度、蛋黄心的质地、体积或形状、蛋黄心的颈部的长度以及所述蛋黄、所述蛋黄心、所述胚盘和蛋白中的两个或更多个的体积或表面之间的比率，以及

(ii)使用深度学习算法，所述深度学习算法具体为基于卷积神经网络、生成式对抗网络、递归神经网络或长期短期记忆网络的深度学习算法。

在过程(i)中，从所述3-D NMR图像导出至少两个特征，并在所述基于特征的分类器中使用所述至少两个特征，其中，所述至少两个特征中的至少一个选自权利要求21所述的组，其中，优选地，所述至少两个特征中的至少一个选自包括所述胚盘的直径、所述胚盘的体积和所述胚盘的形状的组，其中，所述过程优选为基于机器学习的过程。

在优选实施方式中，所述基于特征的分类器采用内核方法，具体为支持向量机或相关性向量机、内核感知、二次判别分析或线性判别分析、分类树、随机森林或朴素贝叶斯分类器。在这里，所述分类模块(38)进一步经配置成应用增强技术，具体是自适应增强技术、逻辑增强技术或概率增强树技术。

在优选实施方式中，所述NMR装置配置为在所述NMR测量中确定所述禽蛋中不同位置处的扩散系数的直方图，以及其中，所述分类模块配置为使所述生育力的预测基于所述直方图的形状。在这里，基于所述扩散系数的直方图的形状来确定所述生育力包括：比较至少两个不同扩散系数或扩散系数范围的出现频率，

其中，所述至少两个不同扩散系数或所述至少两个扩散系数范围的中心优选地分开0.5-2.5mm²/s，更优选分开0.75-1.5mm²/s，和/或

其中，在所述至少两个不同扩散系数或所述至少两个扩散系数范围的中心中，一个优选地位于0.6至1.3mm²/s的范围内，更优选地在0.7至1.2mm²/s的范围内，以及另一个优选地位于1.5至2.5mm²/s的范围内，更优选地在1.7至2.3mm²/s的范围内，和/或

其中，所述禽蛋中的所述各个位置均匀地分布在所述禽蛋中，并且具体地，对应于扩散系数图像的体素。

在优选实施方式中，所述NMR装置(18)配置为在所述NMR测量中确定包括对应于水和脂肪的峰的、所述蛋黄的NMR光谱，并且进一步基于所述NMR光谱预测所述生育力。在这里，所述基于所述NMR光谱确定对生育力的预测包括：基于对应于所述NMR光谱中的水和脂肪的峰的比率来确定对所述生育力的预测。

在该装置的优选实施方式中，所述输送和所述NMR测量期间，所述禽蛋(14)以规则模式布置在托盘(16)上，具体是以矩阵结构布置在所述托盘(16)上，其中布置在所述托盘(16)上的禽蛋(14)的数量优选地为至少36个，更优选地为至少50个，最优选地为至少120个。

在该设备的优选实施方式中，所述NMR装置包括RF线圈的阵列，用于向位于所述托盘上的禽蛋施加RF磁场和/或用于检测NMR信号，所述RF线圈的阵列包括以下项中的一项或多项：

-布置在位于所述托盘下方的平面中的多个线圈(30a)，所述托盘在输送至所述NMR装置时装载有禽蛋，

其中，在所述多个线圈布置在位于装载有禽蛋的所述托盘上方或下方的平面中的情况下，所述线圈的数目与布置在所述托盘上的禽蛋的数目的比率优选地在1：1至1：25之间，更优选地在1：1至1：16之间，并且最优选地在1：1至1：5之间。

在优选实施方式中，所述NMR装置包括RF线圈的阵列，用于向位于所述托盘上的禽蛋施加RF磁场和/或用于检测NMR信号，所述RF线圈的阵列集成至或附接至所述托盘，

其中，所述托盘优选地包括用于接收相应禽蛋的多个凹窝或袋，以及其中，多个线圈与所述凹窝或所述袋中的每个相关联，其中，每个凹窝或袋的所述线圈的数量至少为1，优选地至少为2，更优选至少为3，并且最优选地至少4个，和/或其中，所述线圈中的至少一些相对于所述托盘的主平面竖直地布置，或相对于所述托盘的所述主平面成至少50°的角度布置，优选地成至少75°的角度布置，并且最优选地成至少80°的角度布置。

在优选实施方式中，所述NMR装置配置成使用并行成像获得所述多个禽蛋的所述3-D NMR图像，其中，重构基于使用多个RF线圈的测量的、来自禽蛋阵列的相干图像。

另外或替代地，所述NMR装置配置成使用同时多切片(SMS)技术获得所述多个禽蛋的所述3-D NMR图像，其中，重构基于在不同频带的测量的、来自禽蛋(14)阵列的复用图像。

另外或替代地，所述NMR装置配置成使用压缩感测产生所述3-D NMR图像，从而允许从在所述奈奎斯特极限以下采样的测量中恢复图像。

另外或替代地，所述NMR装置配置成使用稳态自由进动成像、快速低角度拍摄成像和定量瞬态成像中的一种或多种来产生所述3-D NMR图像。

另外或替代地，所述NMR装置配置为通过质量传递技术改善所述NMR图像的质量。

在该装置的优选实施方式中，适应并行地输送到所述NMR装置的禽蛋的数量和所述NMR图像的产生，使得以20秒/禽蛋或更少的、优选10秒/禽蛋或更少的、最优选2秒/禽蛋的或更少的速率进行对所述生育力的预测的确定。

在优选实施方式中，所述NMR装置配置成生成以规则模式、具体是以矩阵配置布置的多个禽蛋的3-D NMR图像，并且将所述图像划分为与各个禽蛋相对应的图像。

在优选的实施方式中，所述NMR装置还配置成获得定量测量数据，所述定量测量数据选自包括弛豫参数、扩散常数和扩散张量映射、多量子NMR数据、零量子NMR数据、磁化率映射数据和T2*映射数据的组。

附图说明

图1是用于自动无创式确定禽蛋的生育力的装置的示意图。

图2a是RF线圈阵列的立体图，该RF线圈阵列布置在平行于装载有蛋的托盘并且稍微在该托盘上方的平面中。

图2b是RF线圈阵列的立体图，该RF线圈阵列布置在平行于装载有蛋的托盘并且稍微低于该托盘的平面中。

图2c是RF线圈阵列的立体图，其中线圈布置于在托盘上的蛋的行之间延伸的竖直平面中，该行平行于托盘的输送方向延伸。

图3示意性地示出了托盘的部分，该托盘包括用于接收蛋的凹窝以及与集成在围绕蛋的托盘内的四个RF线圈。

图4示出了图2a至图2c和图3的线圈阵列的更多细节。

图5是示出用于NMR成像的超快速采集和重构的图例。

图6示出了可输入到用于分类的基于机器学习的程序的NMR图像的3-D体积(表示为多个2-D切片)。

图7是禽蛋的NMR图像，示出了蛋黄心、蛋黄心的颈部和胚盘。

图8示出了两个NMR图像，包括可育蛋(左)和不育蛋(右)的胚盘。

图9示出了可育蛋和不育蛋的胚盘直径的分布。

图10示出了可育蛋和不育蛋的胚盘体积的分布。

图11是示出基于手工特征提取和增强算法的机器学习分类器的示意图。

图12是示出在本发明的各种实施方式中使用的卷积神经网络(CNN)结构的示意图。

图13示出了基于图12的CNN结构的分类结果。

图14示出了对于多个可育蛋(实线)和不育蛋(虚线)观察到的扩散系数的平均直方图。

图15是示出多个蛋在1mm/s和2mm/s下的扩散系数直方图值对的散点图。

图16示出了可育蛋和不育蛋的NMR光谱。

具体实施方式

为了促进对本发明原理的理解，现在将参考附图中所示的优选实施方式，并且将使用特定的语言来描述该实施方式。然而，应该理解的是，并无意由此限制本发明的范围，对于本发明所涉及的技术领域的技术人员来说，可想到在所示设备中的这种改变和进一步的修改以及在其中所示的本发明原理的这种进一步的应用，这种改变和进一步的修改以及在这里所示的本发明原理的这种进一步的应用在正常情况下会在现在或将来发生。

图1示出了根据本发明优选实施方式的设备10的示意性表示。设备10包括输送装置12，用于将以矩阵结构布置在托盘16上的多个蛋14输送至NMR装置18中和从NMR装置18中输出，NMR装置18在图中由阴影线框表示。在所示实施方式中，输送装置12包括输送带20，在输送带20上可承载托盘16。输送带20的运动由相应的输送控制器22控制。

NMR装置18包括磁体装置24，用于在z方向上提供外部磁场，核自旋可与该外部磁场相互作用。磁场的z方向与输送带20上的输送方向一致，但这对于装置10的功能并不是至关重要的。在所示的实施方式中，磁体装置22产生场强为1T的静态磁场，但是本发明不限于此。相反，可使用多种磁场强度，以及在本发明的替代实施方式中，乃至地磁场强度也可足够，如

J.,

V.&Kos,M.NMR imaging in the earth’s magneticfield.Magn.Reson.Med.15,386–391(1990),and Robinson,J.N.et al.Two-dimensionalNMR spectroscopy in Earth’s magnetic field.J.Magn.Reson.182,343–347(2006)所述.

另外，NMR装置18包括梯度线圈26，用于产生空间梯度场，空间梯度场用于以本领域技术人员本身已知的方式进行图像编码，或者换言之，空间分辨NMR测量，并且在Lauterbur,P.C.Image formation by induced local interactions.Examplesemploying nuclear magnetic resonance.Nature242,190–191(1973)中进行了进一步描述。另外，梯度线圈26也用于增加由磁体装置24产生的外部磁场的局部均匀性。由梯度线圈26施加的梯度场由梯度控制器28控制。在所示的实施方式中，梯度控制器28被优化用于测量空间(k空间)的有效覆盖，以便提高测量速度。具体地，梯度控制器28优选地配置成用于执行回波平面成像。对于回波平面成像的细节，可参考Stehling,M.,Turner,R.&Mansfield,P.Echo-planar imaging:magnetic resonance imaging in a fraction of asecond.Science(80-.).254,43–50(1991),and Mansfield,P.&Maudsley,A.A.Planarspin imaging by NMR.J.Phys.C Solid State Phys.9,L409–L412(1976)。替代地，梯度控制器28可控制梯度线圈26以执行具有时间最优梯度设计的螺旋读出，如Hargreaves,B.A.,Nishimura,D.G.&Conolly,S.M.Time-optimal multidimensional gradient waveformdesign for rapid imaging.Magn.Reson.Med.51,81–92(2004)中，这允许非常快速的NMR成像。

多个RF线圈30布置成当将托盘16输送到NMR装置18时围绕装载有输送带20上的蛋14的托盘16。如本领域技术人员将理解的是，RF线圈30用于提供激励旋转的RF脉冲，具体是蛋14内的氢原子的旋转。脉冲的定时、形状和强度由RF控制器32控制。对RF脉冲和梯度的串行操作允许对所测量的信号进行调制，以进行快速图像编码。为了允许高通量测量，可采用快速脉冲序列，诸如快速-低角度拍摄成像或定量瞬时成像，如在Haase,A.,Frahm,J.,Matthaei,D.,Hanicke,W.&Merboldt,K.D.FLASH imaging.Rapid NMR imaging using lowflip-angle pulses.J.Magn.Reson.67,258–266(1986))and Gómez,P.A.etal.Accelerated parameter mapping with compressed sensing:an alternative to MRFingerprinting.Proc Intl Soc Mag Reson Med(2017)文章中更详细地描述的那样，该文章由本发明人共创并通过引用包括在本文中。这些快速脉冲序列设计成对本发明中采用的不同相关参数敏感，特别是T1和T2弛豫和扩散，而且对脂肪水含量或磁化传递敏感。

另外，由磁体装置24提供的外部磁场中的受激自旋的进动运动导致RF线圈30中的电流通量，该电流通量可由RF检测器或34检测。RF检测器34将来自RF线圈30的电流通量转换为可解释的信号。这包括模数转换、信号解调和放大。

NMR装置18还包括图像重建模块36。在优选实施方式中，将使用并行成像技术来组合来自不同RF线圈30的测量，并且通过对所获取的测量应用快速傅立叶变换(FFT)来实现图像重构。对于平行成像技术的细节，请参考Pruessmann,K.P.,Weiger,M.,Scheidegger,M.B.&Boesiger,P.SENSE:sensitivity encoding for fast MRI.Magn.Reson.Med.42,952–962(1999),andUecker,M.et al.ESPIRiT-An eigenvalue approach toautocalibrating parallel MRI:Where SENSE meets GRAPPA.Magn.Reson.Med.71,990–1001(2014)。

当采用非笛卡尔采样时，可使用如Fessler,J.A.and Sutton,B.Nonuniform FastFourier Transforms Using Min-Max Interpolation.IEEE Trans.Signal Process.51,560-574(2003)中所述的非均匀FFT。在所示的实施方式中，图像重构模块36实现高级重构算法，诸如低秩矩阵恢复或迭代算法。图像重建模块36配置为处理不同维度的数据，即1D或2D NMR信号、2D图像、3D体积和4D时间序列。

由图像重建模块36处理的数据发送至蛋分类模块38。在所示的实施方式中，蛋分类模块38有两个目的，即分割和分类。在高通量设备中，蛋分类模块38首先将进入的图像分割成与各个蛋14相对应的图像部分。然后，对应于每个单独蛋14的图像部分按照其生育力状态以下面更详细描述的方式进行分类。

蛋分类的结果提供给蛋分选装置40。在所示的实施方式中，分类结果以矩阵形式提供给蛋分选装置40，该矩阵包括给定托盘16上的蛋14的编码生育力状态。基于该信息，蛋分选装置40可分选被确定为可育的蛋14，或者可根据生育力将蛋14重新排列在托盘16上。如图1示意性所示，蛋分类器40具有与托盘16上的蛋14一样多的杯子42，其中所述杯子42连接至真空装置(未示出)。当杯子42移动至接近相应的蛋14时，蛋14将被吸引到杯子42，并通过真空吸力固定到杯子42，使得可安全地拾取蛋，并将轻轻地将蛋放到不同的位置。

最后，设置中央控制器44，其连接用于经由相应的数据通道45与NMR测量、图像重构蛋分类和蛋分选过程中涉及的上述组件中的每个进行数据通信。

设计用于工业环境中的蛋分类的NMR装置18解决了明确定义的扫描几何学。蛋14被引入到NMR装置18中，该NMR装置18布置成矩阵结构，在相应的托盘16上具有M行和N列，其中列布置成平行于图1的输送带20上的输送方向。本发明的各种实施方式采用RF线圈30a的阵列30，RF线圈30a设计成最大化信噪比和最小化捕获时间，这将在下面参考图2到图4进行描述。由于射频的信号幅度随着距发射源的距离的平方而衰减，因而优选的设计旨在将RF线圈30a放置得尽可能地靠近蛋14。另外，具有RF线圈30a的阵列30在接收场中产生空间冗余，可利用该空间冗余来减少扫描时间。

图2a至图2c示出了三个不同的RF线圈阵列30，RF线圈阵列30特别适合于建立优选的信噪比和最小的采集时间。在图2a至图2c中的每个中均示意性地示出了RF线圈30a的阵列30连同装载有蛋14的托盘16。为了简单起见，示出了RF线圈阵列30的每个单独的RF线圈30a均具有环路几何形状，但是同样可实现不同的几何形状。在图2a的实施方式中，各个RF线圈30a布置在平行于托盘16并略高于托盘16的平面中。单独RF线圈30a的数量可对应于蛋14的数量，但不必对应于蛋14的数量。优选地，RF线圈30a的数量与设置在托盘16上的蛋14的数量的比率在1：1至1：25之间，更优选地在1：1至1：16之间，以及最优选地在1：1至1：5之间。每个单独RF线圈30a均通过相应的传输线30b与RF控制器32和RF检测器34连接。虽然在简化的附图中将所有的传输线30b示为单个电缆，但是应当理解的是，该电缆包括多个单独的引线，使得RF线圈阵列30的每个RF线圈30a均可由RF控制器32单独控制，并由RF检测器34读出。箭头46表示输送装置12对托盘16的输送方向的方向。

图2c示出了与图2a类似的RF线圈阵列30，然而RF线圈阵列放置在托盘16的下面。

图2c示出了RF线圈30a的RF线圈阵列30，该RF线圈阵列30竖直布置并放置在蛋14的侧部，而不是如图2a和图2b中的情况那样放置在蛋14的上方或下方。为了不干扰在输送带20上移动的蛋14，RF线圈阵列30的RF线圈30a布置于在托盘16上的蛋14的行之间延伸的竖直平面中，该行通过输送装置12在平行于托盘16的输送方向延伸，如箭头46所示。

由于胚盘通常漂浮到蛋14的顶部，所以感兴趣的区域主要位于蛋14的上半部分。这意味着图2a(上RF线圈阵列30平面)和图2c(布置在纵向、竖直平面中的RF线圈30a)的配置允许RF线圈阵列30的RF线圈30a与蛋14中的感兴趣区域之间的距离小于图2b的配置，并因而允许有利的信噪比。然而，在各种实施方式中，如图2b所示，布置在托盘16下方的平面中的RF线圈阵列30可代替图2a和图2c的任何配置使用，或者与图2a和图2c的任何配置组合使用。实际上，图2a、图2b和图2c中的任何两个配置或所有三个配置可在NMR装置18中组合。

在替代实施方式中，RF线圈30a附接至或集成在托盘16中，如图3所示。图3示意性地示出了托盘16的部分，其中形成有用于容纳蛋14的凹窝48。围绕蛋14的四个RF线圈30a附接至托盘16或集成在托盘16内。通常，可设置每个凹窝48一个或多个RF线圈30a。其它特别有利的实施方式设置每个凹窝48三个、五个、六个或八个RF线圈30a。将RF线圈30a与托盘16连接或集成在一起，使得RF线圈30a与相应蛋14的集成度更高，距相应蛋的距离更小，而不会干扰蛋14在托盘16上的输送，这使得信噪比特别高，采集时间最短。然而，在该实施方式中，蛋14需要从运输托盘(未示出)转移至特定的NMR托盘16，并且随后转移至孵化托盘(未示出)。

图4示出了RF线圈阵列30的更多细节，其可应用而与RF线圈阵列30中的RF线圈30a的具体几何布置无关，并且因而可应用于图2a、图2b、图2c和图3中所示的任何实施方式。如图4中示意性所示，每个RF线圈30a均可包括天线部分50，在所示的实施方式中，天线部分50具有圆形环的形状。然而，同样可采用具有不同几何形状的天线部分50，诸如亥姆霍兹线圈、螺线管线圈、鞍形线圈或鸟笼形线圈。

另外，每个RF线圈30a均包括用于减小互感和调谐中心频率的调谐电容器52、以及改进调谐、匹配和去耦的前置放大器54。另外，每个RF线圈30a均经由传输线56与多通道NMR光谱仪58连接，该多通道NMR光谱仪组合了图1所示的RF控制器32和RF检测器34的功能。

显然，NMR测量时间对于高通量装置至关重要。因此，本发明的优选实施方式被优化用于高速采集和重构。具体地，上述RF线圈阵列30适于并行成像，从而获得每个RF线圈30a的较少信息，并使用空间冗余将其组合，以便加速测量。

本发明的优选实施方式采用在Pruessmann,K.P.,Weiger,M.,Scheidegger,M.B.&Boesiger,P.SENSE:sensitivity encoding for fast MRI.Magn.Reson.Med.42,952–962(1999)中描述的所谓的SENSE方法，该方法利用空间冗余来获取k空间的子样本并重构非混叠图像。同样适用的相关方法是所谓的通用自动校准部分并行采集(GRAPPA)方法，如Griswold,M.A.et al,Generalized auto calibrating partially parallelacquisitions(GRAPPA),Magn.Res.Med 47,1202-1210(2002)中所述。

为了进一步增加生产量，采用多频带技术，多频带技术使用几个激励频率以允许在沿着磁体装置24的孔的不同空间位置并行采集，从而也减少了总扫描时间。在Feinberg,D.A.et al.Multiplexed echo planar imaging for sub-second whole brain fmri andfast diffusion imaging.PLoS One5,(2010)给出了多频带技术的更详细的解释，该文献通过引用包括在本文中。

在这些技术的基础上，在优选实施方式中，采用所谓的压缩感测，这减少了重构图像所需的测量点的数量，从而引入了另一加速度因子。在Lustig,M.,Donoho,D.&Pauly,J.M.Sparse MRI:The application of compressed sensing for rapid MRimaging.Magn.Reson.Med.58,1182–1195(2007)中给出了压缩感测的确定。

另外，在优选实施方式中，成像在瞬变状态下进行，其可以以超快的方式进行，并使用定量参数，如本发明人共同创作的著作中所描述的，参见

P.A.etal.Accelerated parameter mapping with compressed sensing:an alternative to MRFingerprinting.Proc Intl Soc Mag Reson Med(2017)。在Ma,D.et al.Magneticresonance fingerprinting.Nature495,187–192(2013)中描述了瞬态成像的另一种合适的方式。

先前介绍的RF线圈阵列配置和图像重建方法允许快速成像包括蛋14的N×M阵列的3D空间。根据RF线圈的几何形状和所选择的处理方法，在一些实施方式中，将重构每个蛋14的一个图像，而在其它实施方式中，将重构每个托盘16的单个图像。在每个蛋14单个图像的情况下，每个图像均可单独分类。在每个托盘16一个图像的情况下，在分类之前首先需要对图像中的各个蛋14进行分割。可采用多种分割技术；但是，考虑到托盘16几何形状的简单性，优选解决方案是用单个蛋14预先限定对应于每个凹窝48的网格。

为了实现高的每秒扫描蛋数量，在优选实施方式中，使用快速脉冲序列。这些典型地表征为不受重复时间(TR)的限制。其中，优选的是稳态自由进动(SSFP)，例如在Carr,H.Y.Steady-state free precession in nuclear magnetic resonance.Phys.Rev.112,1693–1701(1958)所述。这脉冲序列族在非常短的重复时间(TR)内对质子施加重复的RF激发，其数量级为几十毫秒。结果，磁化从不完全恢复，而是在几个RF激励之后达到稳定状态。当发生这种情况时，可读取这些超短TR的每个中的图像的部分，使它们聚集以快速覆盖整个测量空间。该序列族的特征在于在每单位时间的信噪比方面高效。沿着这些线，也可使用如上所述的快速低角度拍摄成像(FLASH)。作为SSFP，它具有几十毫秒量级的TR，但是与SSFP相反，它假定由于由低翻转角引起的小激励而在每个TR之后信号恢复。在相同的原理下，磁共振指纹识别和定量瞬变状态成像在瞬变状态(在达到稳态之前)将采集带到极限测量。它们不仅具有产生结构图像的优点，而且还具有组织的磁性参数的定量图。

为了进一步缩短采集时间，可测量低于尼奎斯特(Nyquist)极限的样本，并使用平行成像重构和压缩感测，其中平行成像重构例如为Pruessmannet al.,Griswold,M.A.etal.and also inUecker,M.et al.ESPIRiT-An eigenvalue approach toautocalibrating parallel MRI:Where SENSE meets GRAPPA.Magn.Reson.Med.71,990–1001(2014))的著作中所公开的平行成像重构，以及压缩感测为如上述Lustig等人的参考文献中所述的压缩感测。并行成像利用了使用由RF线圈的覆盖带来的线圈冗余和空间信息的优点。例如，在覆盖空间的区域的RF线圈阵列中，每个线圈将测量不同的信号，假定线圈放置在不同的位置。这些信号之间的差异以及每个线圈的RF灵敏度图允许恢复丢失的信息。这个概念可进一步采用压缩感测。压缩感测利用存在于自然图像中的冗余和相关性。通过利用这些相关性，可在尼奎斯特(Nyquist)极限以下采样，并且仍然恢复全部图像。为了有效，压缩感测需要随机采样模式和非线性重构，非线性重构实施与正则化相结合的数据一致性。组合的并行成像和压缩感测的最终结果是显著加速的采集。

如上面参考的Feinberg等人所描述的，通过同时使用多切片(SMS)，可获得另外的并行化水平。这种技术通过使用多频带RF脉冲在不同频带中多路复用捕获问题。因此，可在多个频带上同时获取被扫描对象的多个区域。

最后，还可在通过所谓的质量传递步骤重构期间以较粗分辨率获取数据，并减小体素大小。质量传递方法在Alexander,D.C.et al.Image quality transfer andapplications in diffusion MRI.Neuroimage 152,283–298(2017)and Tanno,R.etal.Bayesian Image Quality Transfer with CNNs:Exploring Uncertainty in dMRISuper-Resolution.(2017).at<http://arxiv.org/abs/1705.00664>的文献中有更详细的描述。这些方法依赖于机器学习方法，其中训练诸如随机森林的模型，以捕获高分辨率细节，并将高分辨率细节输送至低分辨率数据。

所有NMR成像技术通常共享两步过程以扫描图像：采集和重构。通常，在MRI中，采集时间一直比重构时间长得多。将快速脉冲序列与多波段、并行成像和压缩感知相结合，将采集时间换算为重构时间，后者可很大程度上获益于恢复原始图像的计算能力和智能重构算法。因此，利用这种配置，以数个量级减少了采集和重构的总时间。在图5中示出了概述上述内容的示意图。

使用图1所示的装置10，连同参照图2至图4所解释的线圈阵列30，可产生被示为图6所示类型的NMR图像的多个2-D切片的蛋的3-D体积。

为了本发明的目的，3-D NMR图像的最感兴趣的部分是包括胚盘的部分。图7示出了3-D NMR图像的切片，其中可辨别蛋黄心1、蛋黄心的颈部2和胚盘3。

图8示出了用于比较的两个NMR图像切片，示出了左侧的可育蛋和右侧的不育蛋。在各种情况下，胚盘均位于白色正方形中。可看出的是，可育蛋的胚盘在大小和形状上不同于不育蛋。

图9示出了从100个不同蛋的NMR图像数据中提取并根据可育和不可育状态分类的胚盘的直径分布。可看出的是，可育蛋中的胚盘直径大于不育蛋中的胚盘直径。然而，存在一些重叠，使得单独基于直径进行区分在实践中将不得不面对预测误差。

图10示出了从30个不同蛋的NMR图像数据中提取并根据可育和不可育状态分类的胚盘的体积分布。可看出的是，可育蛋中的胚盘的体积大于不育蛋中的胚盘的体积，但是基于单独测量的体积的区别在实践中也必须面对预测误差。

为了提供生育力的可靠预测，根据本发明的一个实施方式，从3-D NMR图像中的每一个导出至少两个特征，并且在基于特征的分类器中采用所述至少两个特征来确定对生育力的预测。通过使分类基于至少两个特征，可显着地减小、或者甚至完全消除仅依靠胚盘的直径或体积可能产生的混淆。用于该目的有希望的特征是胚盘的直径和体积，因为从这里给出的NMR测量中可以看出，这些特征本身就是蛋的生育力的特征。因此，在优选实施方式中，用于分类的至少一个特征对应于胚盘的直径或体积。另一个有用的特征是胚盘的形状。从图8可以看出，在左侧所示的可育蛋中，胚盘在相应的NMR切片中呈现“V形”，这实际上被发现是可育蛋的特征，并且在图8的右侧的不育蛋中缺少该特征。

然而，其它特征同样也是可能的，并且累积多个特征将仅提高分类的准确性。例如，可使用关于胚盘在蛋中的位置或蛋黄质地的特征。具体地，如从图7和图8中显而易见的是，在NMR图像中可看到多个环状结构，该环状结构在本文中被称为“NMR-可见环”。从这些“NMR-可见环”可导出进一步的特征，例如NMR-可见环的数目、NMR-可见环在蛋黄中的位置和/或NMR-可见环在NMR图像中的对比度。另外或替代地，蛋黄心的质地、体积或形状、蛋黄心的颈部的长度或蛋黄、蛋黄心、胚盘和蛋白中的两个或更多个的体积或表面之间的比率可用作特征，用于在基于特征的分类器中确定对生育力的预测。注意，这些特征在这里也被称为“手工特征”，因为这些特征是预定的，并且对NMR图像数据进行处理，以便从NMR图像数据中导出这些特定特征。

为了说明的目的，在图11中示意性地示出了基于手工特征的机器学习分类器的示例。分类包括两个步骤。首先，使所获取的图像(原始数据)通过一组过滤器，该过滤器设计成提取图像的N个特定特征，即体积、距离、形状、质地等。基于这些特征，训练N维分类器。在该示例中，示出了M个较弱分类器，该较弱分类器一起使用上面介绍的增强技术中的一个来构建强分类器。这些较弱的分类器例如是SVM、分类树、感知器、

Bayes分类器等。

在其它实施方式中，特征提取和分类步骤完全集成在诸如卷积神经网络(CNN)的深度学习结构中，而不是依赖于预定的或“手工操作的”特征。这种想法是，由于可证明NMR图像原则上携带能够识别生育力的信息，所以可依靠深度学习结构来找出在分类中要考虑的特征。在这些结构中有三个主要元素，尽管取决于实现，可能存在变化：

卷积层：卷积起到图像特征提取器的作用。在这些层中，神经元分布至特征映射中，并且通过一组权重连接至先前层中的邻域。对于不同的特征映射，这些权重是不同的，从而允许从图像的相同位置提取数个特征。

汇集层：用于达到输入失真和平移的空间不变性。汇集层通过降低空间分辨率并将特征映射的一些局部度量传播到下一层来实现这一点。存在几种汇集方案，其中平均汇集和最大汇集是最常用的汇集。

完全连接层：收集由卷积层和汇集层提取的特征，并基于该特征产生分类。

CNN需要学习其自由参数(权重和偏倚)，以便为其任务服务。该过程可基于计算分类误差的损失函数和训练算法(例如，反向传播)，以基于误差来确定CNN参数的调整。CNN的主要挑战是避免过拟合或将分类推广到不可见的数据的能力。控制过拟合的有用方法是在训练期间使用验证数据集，在本发明的有利实施方式中使用。这包括将数据集划分为两组：训练组和验证组。正如它们的名字所指示的，第一组用于训练，而第二组控制不仅在训练数据集中而且在尚未看到的数据中提高精确度和误差。

在图12中示意性地示出了在本发明的有利实施方式中使用的CNN的示例。将具有HxW维度的NMR图像与大小为hxw的C核卷积以提取特征映射。然后，Cn汇集和卷积运算将特征映射尺寸转换为到H_nxW_n，n＝[1,p]。最后，每层具有L_m个神经元(m＝[1,q])的q个完全连接层采用在先前步骤中导出的特征来产生图像的分类。

使用图12中所示的一般结构的CNN，并基于300个蛋进行训练和验证，验证数据集中的精确度可达到97.3％，300个蛋中一半是可育的，另一半是不可育的，如图13所示。在这里，已经使用了CNN AlexNet(Krizhevsky,A.,Sutskever,I.&Hinton,G.E.ImageNetClassification with Deep Convolutional Neural Networks.Adv.NeuralInf.Process.Syst.1–9(2012).doi:http://dx.doi.org/10.1016/j.protcy.2014.09.007)。

图13示出了训练数据(即250个蛋的NMR图像)和验证数据(50个蛋的NMR数据)的损失和精确度。可看出的是，在50个训练时期(迭代)之后，分类对于训练数据的精确度已达到接近100％。这种非常高的速率是由于上述“过拟合”，但是重要的问题当然是CNN如何在训练期间未看到的蛋的NMR图像上执行。这由验证数据的精确度来表示，在50个训练时期之后，验证数据仍然导致97.3％的精确度，这清楚地表明本发明的方法以允许商业上有吸引力的实现的可靠性和精确度来工作。

注意，基于特征的分类器和基于深度学习算法的分类根本上不同于仅“与存储在数据库中的NMR图像进行比较”，如在前述EP 0890838B1中所建议的。事实上，通过这种比较可以实际进行可靠的生育力预测是存疑的，并且该文献没有显示任何提示这一点的实验数据。

在本发明的各种实施方式中，可使用生成式对抗网络。在生成式对抗网络(GAN)中，同时训练两个神经网络。第一个神经网络学习如何从样本空间生成人工图像，第二个神经网络试图确定生成的图像是否是人工的。因为该生成式网络试图通过学习如何创建看起来真实的图像来“欺骗”分类网络，因而这两个神经网络被称为对抗网络。这背后有两种想法：1)最终可从监督学习移动到无监督学习，从而创建自己的合成数据集，并降低对“真实训练”图像的需求。2)可复制相同的结构，以教导网络生成“可育和不可育图像”，而第二个想法则将它们分类为对抗配置。对于进一步的细节，参考Goodfellow,I.J.etal.Generative Adversarial Networks.(2014).at<http://arxiv.org/abs/1406.2661>。

图14示出了在多个可育蛋(实线)和不育蛋(虚线)中观察到的扩散系数D的平均直方图。在直方图中，对于各个参数仓中的每个，对落在仓内的体素的数量进行计数。D是水分子的分子自扩散系数(也称为“扩散常数”)，水分子的分子自扩散系数

D是由A.Einstein在1905定义(A.Eistein in“Ann Physik”,17,p 549(1905))的水分子的分子自扩散系数(也称为“扩散常数”)。与费克定律不同，它的定义不需要“梯度”。相反，可想到在大体积内有一定的小体积的水分子。在经过一定的时间间隔t之后，许多水分子将由于布朗运动而“扩散”到该体积之外。扩散系数描述了该过程的速度。来自Einstein的方程描述了布朗运动行进的水分子的距离X：

X²＝2×D×t

在NMR中，可使用水NMR信号和应用磁场梯度来测量该过程。水的扩散系数D由几个解剖学细节改变。例如，如果存在扩散屏障，如细胞膜，则D将降低。

对于多个蛋的整个体积的扩散系数图像的每个体素，已确定了图14中表示的扩散系数。从图14中可看出，柱状图具有非常相似的大约2mm²/s的值(对应于清蛋白)，但是在不育蛋中比在不育蛋中更频繁地发现大约1mm²/s的扩散系数(在蛋黄内的区域中发现)。因此，可将这种差异作为确定生育力的另一标准，该另一标准可并入到机器学习程序中，从而进一步提高精确度。

图15示出了对于9个可育蛋和10个不育蛋，在1mm²/s和2mm²/s下的扩散系数直方图值对的散点图。从图15可看出的是，在简单的散点图中，每个物种除了一个蛋之外的所有蛋都位于虚线分隔线的对应侧，虚线分隔线表示在2mm²/s和1mm²/s处的直方图值的比率，对于可育蛋来说，通常超过该比率，而对于不育蛋来说，则不会达到该比率。

图16显示可育蛋和不育蛋的蛋黄的NMR光谱。该光谱显示对应于脂肪的在约1ppm处的峰和对应于水的在约4.7ppm处的峰。发明人已经发现，对于不育蛋，脂肪峰的高度与水峰的高度之比率高于可育蛋。因此，基于该比率，同样可区分可育蛋和不育蛋。

在优选实施方式中，可组合用于生育力的两个指标中的一个或两个，即可组合扩散系数直方图的形状以及脂肪峰值和水峰值的比率中的一个或两个，以增加预测的可靠性。注意，在1mm²/s和2mm²/s处的直方图值的比较仅是利用扩散系数直方图的特征形状的一种方式。在优选实施方式中，可将整个扩散系数直方图呈现给机器学习算法，该算法自动学习，以区分对应于可育蛋和不育蛋的扩散系数直方图。图15指示在扩散率直方图中有足够的生育力相关信息来进行正确的区分，这可由诸如适当配置的蛋分类模块38的机器学习模块来适当地进行计算。

类似地，尽管图16的光谱中的脂肪峰值和水峰值的比率仅是基于光谱来区分蛋的生育力的一种方式，但在替代实施方式中，可将整个光谱呈现给机器学习模块，诸如适当配置的蛋分类模块38，其在充分训练之后可基于该光谱来区分可育蛋和不育蛋。

附图标记的说明

1 蛋黄心

2 蛋黄心的颈部

3 胚盘

10 用于无创式确定胚胎的性别或蛋的生育力的装置

12 输送装置

14 蛋

16 托盘

18 NMR装置

20 输送带

22 输送控制器

24 磁体装置

26 梯度线圈

28 梯度控制器

30 RF线圈阵列

30a RF线圈

32 RF控制器

34 RF检测器

36 图像重建模块

38 蛋分类模块

40 蛋分选装置

42 蛋分选装置40的抽吸杯

44 中央控制器

45 数据通道

46 输送方向

48 托盘16中的凹窝

50 天线部分

52 调谐电容器

54 前置放大器

56 传输线路

58 NMR分光计

60 用户界面

Claims

1.一种自动无创式确定禽蛋(14)的生育力的方法，包括以下步骤：

将多个禽蛋(14)依次或并行地输送至NMR装置(18)中；

使所述禽蛋(14)经受NMR测量，以产生所述禽蛋(14)中的每个的至少部分的3-D NMR图像，所述3-D NMR图像在至少一个维度上具有1.0mm或更小的空间分辨率，优选为具有0.50mm或更小的空间分辨率，其中，所述禽蛋(14)的所述部分包括相应禽蛋(14)的胚盘，

根据以下两个过程中的至少一个确定对生育力的预测：

(i)从所述3-D NMR图像中的每个导出至少一个特征，并且在基于特征的分类器中使用所述至少一个特征来确定对生育力的预测，其中，所述至少一个特征选自包括以下项的组：所述胚盘的直径、所述胚盘的体积、所述胚盘的形状、所述胚盘的质地、所述胚盘在所述禽蛋中的位置、蛋黄的质地、所述蛋黄中NMR-可见环的数目和/或位置、所述蛋黄内环的对比度、蛋黄心的质地、体积或形状、所述蛋黄心的颈部的长度以及所述蛋黄、所述蛋黄心、所述胚盘和蛋白中的两个或更多个的体积或表面之间的比率，以及

2.根据权利要求1所述的方法，其中，在过程(i)中，从所述3-D NMR图像导出至少两个特征，并在所述基于特征的分类器中使用所述至少两个特征，其中，所述至少两个特征中的至少一个选自权利要求1所述的组，其中，优选地，所述至少两个特征中的至少一个选自包括所述胚盘的直径、所述胚盘的体积和所述胚盘的形状的组，其中，所述过程优选为基于机器学习的过程。

3.根据权利要求1或2所述的方法，其中，所述确定对生育力的预测的步骤由分类模块(38)执行，其中，所述方法还包括以下步骤：将所述多个禽蛋(14)输送出所述NMR装置(18)，并根据由所述分类模块(38)提供的生育力预测对所述禽蛋(14)进行分选。

4.根据前述权利要求中任一项所述的方法，其中，所述基于特征的分类器采用内核方法，具体为支持向量机或相关性向量机、内核感知、二次判别分析或线性判别分析、分类树、随机森林或朴素贝叶斯分类器。

5.根据权利要求4所述的方法，其中，所述方法包括：应用增强技术，具体是自适应增强技术、逻辑增强技术或概率增强树技术。

6.根据前述权利要求中任一项所述的方法，其中，在所述NMR测量中，进一步确定所述禽蛋中不同位置处的扩散系数的直方图，以及其中，所述生育力的预测进一步基于所述直方图的形状。

7.根据权利要求6所述的方法，其中，基于所述扩散系数直方图的形状来确定所述生育力包括：比较至少两个不同扩散系数或扩散系数范围的出现频率，

其中，所述至少两个不同的扩散系数或所述至少两个扩散系数范围的中心优选分开0.5-2.5mm²/s，更优选分开0.75-1.5mm²/s，和/或

其中，在所述至少两个不同的扩散系数或所述至少两个扩散系数范围的中心中，其中一个优选位于0.6至1.3mm²/s的范围内，更优选位于0.7至1.2mm²/s的范围内，并且其中另一个优选位于1.5至2.5mm²/s的范围内，更优选地位于1.7至2.3mm²/s的范围内，和/或

其中，所述禽蛋中的所述各个位置均匀分布在所述禽蛋中，具体地，对应于扩散系数图像的体素。

8.根据前述权利要求中任一项所述的方法，其中，在所述NMR测量中，获得包括对应于水和脂肪的峰的、所述蛋黄的NMR光谱，并且对所述生育力的预测进一步基于所述NMR光谱。

9.根据权利要求8所述的方法，其中，所述基于所述NMR光谱确定对所述生育力的预测的步骤包括：基于所述NMR光谱中对应于水和脂肪的峰的比率确定对所述生育力的预测。

10.根据前述权利要求中任一项所述的方法，其中，在所述输送和所述NMR测量期间，所述禽蛋(14)以规则模式布置在托盘(16)上，具体是以矩阵结构布置在所述托盘(16)上，

其中，布置在所述托盘(16)上的禽蛋(14)的数量优选地为至少36个，更优选地为至少50个，最优选地为至少120个。

11.根据权利要求10所述的方法，其中，所述NMR装置(18)包括RF线圈(30a)的阵列(30)，用于向位于所述托盘(16)上的禽蛋(14)施加RF磁场和/或用于检测NMR信号，所述RF线圈(30a)的阵列(30)包括以下项中的一项或多项：

-布置在位于所述托盘(16)上方的平面中的多个线圈(30a)，所述托盘(16)在输送至所述NMR装置(18)时装载有禽蛋(14)，

-布置在位于所述托盘(16)下方的平面中的多个线圈(30a)，所述托盘(16)在输送至所述NMR装置(18)时装载有禽蛋(14)，

-布置在竖直平面中的多个线圈(30a)，当输送至所述NMR装置(18)时，所述竖直平面在所述托盘(16)上的禽蛋(14)的行之间延伸，所述行平行于托盘(16)的输送至所述NMR装置(18)中和输送出所述NMR装置(18)的方向延伸，

其中，在所述多个线圈(30a)布置在位于装载有禽蛋(14)的所述托盘(16)上方或下方的平面中的情况下，所述线圈(30a)的数目与布置在所述托盘(16)上的禽蛋(14)的数目的比率优选地在1：1至1：25之间，更优选地在1：1至1：16之间，并且最优选地在1：1至1：5之间。

12.根据权利要求10或11所述的方法，其中，所述NMR装置(18)包括RF线圈(30a)的阵列(30)，用于向位于所述托盘(16)上的禽蛋(14)施加RF磁场和/或用于检测NMR信号，所述RF线圈(30a)的阵列(30)集成至或附接至所述托盘(16)，

其中，所述托盘(16)优选地包括用于接收相应禽蛋(14)的多个凹窝(48)或袋，以及其中，多个线圈(30a)与所述凹窝(48)或所述袋中的每个相关联，其中，每个凹窝(48)或袋的所述线圈(30a)的数量至少为1，优选至少为2，更优选地，至少3个，并且最优选地至少4个，和/或其中，所述线圈(30a)中的至少一些相对于所述托盘(16)的主平面竖直地布置，或相对于所述托盘(16)的所述主平面成至少50°的角度布置，优选地成至少75°的角度布置，并且最优选地成至少80°的角度布置。

13.根据前述权利要求中任一项所述的方法，其中，使用并行成像获得所述多个禽蛋(14)的所述3-D NMR图像，其中，重构基于使用多个RF线圈(30a)的测量的、来自禽蛋(14)阵列的相干图像，和/或其中，使用同时多切片(SMS)技术获得所述多个禽蛋(14)的所述3-DNMR图像，其中，重构基于在不同频带的测量的、来自禽蛋(14)阵列的复用图像。

14.根据前述权利要求中任一项所述的方法，其中，所述3-D NMR图像使用压缩感测产生，从而允许从在奈奎斯特极限以下采样的测量中恢复图像。

15.根据前述权利要求中任一项所述的方法，其中，使用稳态自由进动成像、快速低角度拍摄成像和定量瞬态成像中的一种或多种来产生所述3-D NMR图像。

16.根据前述权利要求中任一项所述的方法，还包括以下步骤：通过质量传递技术改善所述NMR图像的质量。

17.根据前述权利要求中任一项所述的方法，其中，适应并行地输送到所述NMR装置(18)的禽蛋(14)的数量和所述NMR图像的产生，使得以20秒/禽蛋(14)或更少的、优选10秒/禽蛋(14)或更少的、最优选2秒/禽蛋(14)的或更少的速率进行对所述生育力的预测的确定。

18.根据前述权利要求中任一项所述的方法，其中，生成以规则模式、具体是以矩阵配置布置的多个禽蛋(14)的3-D NMR图像，并且将所述图像划分为与各个禽蛋(14)相对应的图像，对与所述各个禽蛋(14)相对应的图像进行所述生育力预测确定。

19.根据前述权利要求中任一项所述的方法，其中，对所述生育力的预测的确定补充定量测量数据，所述定量测量数据选自包括弛豫参数、扩散常数和扩散张量映射、多量子NMR数据、零量子NMR数据、磁化率映射数据和T2*映射数据的组。

20.一种用于自动无创式确定禽蛋(14)的特性的设备(10)，所述特性具体为胚胎的性别或生育力，所述设备(10)包括：

NMR装置(18)，

输送装置(12)，用于将多个禽蛋(14)顺序地或并行地输送至所述NMR装置(18)中，并输送出所述NMR装置(18)，

其中，所述NMR装置(18)配置成使所述禽蛋(14)经受NMR测量，

其中，所述设备(10)还包括分类模块(38)，所述分类模块(38)配置成接收在所述NMR测量中获得的NMR数据和/或由所述NMR数据导出的数据，所述分类模块(38)配置成基于所述NMR数据和/或由所述NMR数据导出的数据来确定对所述禽蛋的特性的预测，以及

蛋分选装置(40)，用于根据由所述分类模块(38)提供的蛋特性预测对所述禽蛋(14)进行分选。

21.根据权利要求20所述的设备(10)，其中，所述NMR装置(18)配置成用于使所述禽蛋(14)经受NMR测量，以产生所述禽蛋(14)中的每个的至少部分的3-D NMR图像，所述3-D NMR图像在至少一个维度上具有1.0mm或更小的空间分辨率，优选为具有0.50mm或更小的空间分辨率，其中，所述禽蛋(14)的所述部分包括相应禽蛋(14)的胚盘，

(i)从所述3-D NMR图像中的每个导出至少一个特征，并且在基于特征的分类器中使用所述至少一个特征来确定对所述生育力的预测，其中，所述至少一个特征选自包括以下项的组：所述胚盘的直径、所述胚盘的体积、所述胚盘的形状、所述胚盘的质地、所述胚盘在所述禽蛋中的位置、蛋黄的质地、所述蛋黄中NMR-可见环的数目和/或位置、所述蛋黄内环的对比度、蛋黄心的质地、体积或形状、所述蛋黄心的颈部的长度以及所述蛋黄、所述蛋黄心、所述胚盘和蛋白中的两个或更多个的体积或表面之间的比率，以及

22.根据权利要求21所述的设备(10)，其中，在过程(i)中，从所述3-D NMR图像导出至少两个特征，并在所述基于特征的分类器中使用所述至少两个特征，其中，所述至少两个特征中的至少一个选自权利要求21所述的组，其中，优选地，所述至少两个特征中的至少一个选自包括所述胚盘的直径、所述胚盘的体积和所述胚盘的形状的组，其中，所述过程优选为基于机器学习的过程。

23.根据权利要求21或22所述的设备(10)，其中，所述基于特征的分类器采用内核方法，具体为支持向量机或相关性向量机、内核感知、二次判别分析或线性判别分析、分类树、随机森林或朴素贝叶斯分类器。

24.根据权利要求23所述的设备(10)，其中，所述分类模块(38)进一步经配置成应用增强技术，具体是自适应增强技术、逻辑增强技术或概率增强树技术。

25.根据权利要求21至24中任一项所述的设备(10)，其中，所述NMR装置(18)配置为在所述NMR测量中确定所述禽蛋中不同位置处的扩散系数的直方图，以及其中，所述分类模块(38)配置为使所述生育力的预测基于所述直方图的形状。

26.根据权利要求25所述的设备(10)，其中，基于所述扩散系数的直方图的形状来确定所述生育力包括：比较至少两个不同扩散系数或扩散系数范围的出现频率，

27.根据权利要求21至26中任一项所述的设备(10)，其中，所述NMR装置(18)配置为在所述NMR测量中确定包括对应于水和脂肪的峰的、所述蛋黄的NMR光谱，并且进一步基于所述NMR光谱预测所述生育力。

28.根据权利要求27所述的设备(10)，其中，所述基于所述NMR光谱确定对生育力的预测包括：基于对应于所述NMR光谱中的水和脂肪的峰的比率来确定对所述生育力的预测。

29.根据权利要求20至28中任一项所述的设备(10)，其中，在所述输送和所述NMR测量期间，所述禽蛋(14)以规则模式布置在托盘(16)上，具体是以矩阵结构布置在所述托盘(16)上，

30.根据权利要求29所述的设备(10)，其中，所述NMR装置(18)包括RF线圈(30a)的阵列(30)，用于向位于所述托盘(16)上的禽蛋(14)施加RF磁场和/或用于检测NMR信号，所述RF线圈(30a)的阵列(30)包括以下项中的一项或多项：

31.根据权利要求29或30所述的设备(10)，其中，所述NMR装置(18)包括RF线圈(30a)的阵列(30)，用于向位于所述托盘(16)上的禽蛋(14)施加RF磁场和/或用于检测NMR信号，所述RF线圈(30a)的阵列(30)集成至或附接至所述托盘(16)，

其中，所述托盘(16)优选地包括用于接收相应禽蛋(14)的多个凹窝(48)或袋，以及其中，多个线圈(30a)与所述凹窝(48)或所述袋中的每个相关联，其中，每个凹窝(48)或袋的所述线圈(30a)的数量至少为1，优选地至少为2，更优选至少为3，并且最优选地至少4个，和/或其中，所述线圈(30a)中的至少一些相对于所述托盘(16)的主平面竖直地布置，或相对于所述托盘(16)的所述主平面成至少50°的角度布置，优选地成至少75°的角度布置，并且最优选地成至少80°的角度布置。

32.根据权利要求20至31中任一项所述的设备(10)，其中，所述NMR装置(18)配置成使用并行成像获得所述多个禽蛋(14)的3-D NMR图像，其中，重构基于使用多个RF线圈(30a)的测量的、来自禽蛋(14)阵列的相干图像，和/或其中，所述NMR装置(18)配置成使用同时多切片(SMS)技术获得所述多个禽蛋(14)的3-D NMR图像，其中，重构基于在不同频带的测量的、来自禽蛋(14)阵列的复用图像。

33.根据权利要求20至32中任一项所述的设备(10)，其中，所述NMR装置(18)配置成使用压缩感测产生所述3-D NMR图像，从而允许从在奈奎斯特极限以下采样的测量中恢复图像。

34.根据权利要求20至32中任一项所述的设备(10)，其中，所述NMR装置(18)配置成使用稳态自由进动成像、快速低角度拍摄成像和定量瞬态成像中的一种或多种来产生所述3-D NMR图像。

35.根据权利要求20至34中任一项所述的设备(10)，其中，所述NMR装置(18)配置为通过质量传递技术改善所述NMR图像的质量。

36.根据权利要求20至35中任一项所述的设备(10)，其中，适应并行地输送到所述NMR装置(18)的禽蛋(14)的数量和所述NMR图像的产生，使得以20秒/禽蛋(14)或更少的、优选10秒/禽蛋(14)或更少的、最优选2秒/禽蛋(14)的或更少的速率进行对所述生育力的预测的确定。

37.根据权利要求20至36中任一项所述的设备(10)，其中，所述NMR装置(18)配置成生成以规则模式、具体是以矩阵配置布置的多个禽蛋(14)的3-D NMR图像，并且将所述图像划分为与各个禽蛋(14)相对应的图像。

38.根据权利要求20至37中任一项所述的设备(10)，其中，所述NMR装置(18)还配置成获得定量测量数据，所述定量测量数据选自包括弛豫参数、扩散常数和扩散张量映射、多量子NMR数据、零量子NMR数据、磁化率映射数据和T2*映射数据的组。