ES2829964T3 - Determinación automatizada no invasiva del sexo de un embrión y la fertilidad de un huevo de ave - Google Patents
Determinación automatizada no invasiva del sexo de un embrión y la fertilidad de un huevo de ave Download PDFInfo
- Publication number
- ES2829964T3 ES2829964T3 ES18796984T ES18796984T ES2829964T3 ES 2829964 T3 ES2829964 T3 ES 2829964T3 ES 18796984 T ES18796984 T ES 18796984T ES 18796984 T ES18796984 T ES 18796984T ES 2829964 T3 ES2829964 T3 ES 2829964T3
- Authority
- ES
- Spain
- Prior art keywords
- nmr
- eggs
- egg
- tray
- sex
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 210000001161 mammalian embryo Anatomy 0.000 title claims abstract description 71
- 230000035558 fertility Effects 0.000 title claims description 49
- 235000013601 eggs Nutrition 0.000 claims abstract description 297
- 238000005481 NMR spectroscopy Methods 0.000 claims abstract description 163
- 238000000034 method Methods 0.000 claims abstract description 94
- 238000009792 diffusion process Methods 0.000 claims abstract description 82
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000003384 imaging method Methods 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 19
- 238000000655 nuclear magnetic resonance spectrum Methods 0.000 claims description 19
- 230000013016 learning Effects 0.000 claims description 16
- 238000013135 deep learning Methods 0.000 claims description 15
- 238000011534 incubation Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 210000002969 egg yolk Anatomy 0.000 claims description 11
- 229940088597 hormone Drugs 0.000 claims description 8
- 239000005556 hormone Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 239000000654 additive Substances 0.000 claims description 7
- 230000000996 additive effect Effects 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 150000001413 amino acids Chemical class 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 150000002632 lipids Chemical class 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 239000002207 metabolite Substances 0.000 claims description 5
- 150000007523 nucleic acids Chemical class 0.000 claims description 5
- 102000039446 nucleic acids Human genes 0.000 claims description 5
- 108020004707 nucleic acids Proteins 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 22
- 208000021267 infertility disease Diseases 0.000 description 21
- 210000002257 embryonic structure Anatomy 0.000 description 20
- 238000002595 magnetic resonance imaging Methods 0.000 description 20
- 241000287828 Gallus gallus Species 0.000 description 18
- 238000005259 measurement Methods 0.000 description 18
- 235000013330 chicken meat Nutrition 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 235000013594 poultry meat Nutrition 0.000 description 12
- 238000001228 spectrum Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000012447 hatching Effects 0.000 description 10
- 244000144977 poultry Species 0.000 description 10
- VOXZDWNPVJITMN-ZBRFXRBCSA-N 17β-estradiol Chemical compound OC1=CC=C2[C@H]3CC[C@](C)([C@H](CC4)O)[C@@H]4[C@@H]3CCC2=C1 VOXZDWNPVJITMN-ZBRFXRBCSA-N 0.000 description 6
- 241000271566 Aves Species 0.000 description 6
- 210000003837 chick embryo Anatomy 0.000 description 6
- 229960005309 estradiol Drugs 0.000 description 6
- 229930182833 estradiol Natural products 0.000 description 6
- 238000001069 Raman spectroscopy Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 210000003746 feather Anatomy 0.000 description 5
- 230000001537 neural effect Effects 0.000 description 5
- 230000020509 sex determination Effects 0.000 description 5
- 102000002322 Egg Proteins Human genes 0.000 description 4
- 108010000912 Egg Proteins Proteins 0.000 description 4
- MUMGGOZAMZWBJJ-DYKIIFRCSA-N Testostosterone Chemical compound O=C1CC[C@]2(C)[C@H]3CC[C@](C)([C@H](CC4)O)[C@@H]4[C@@H]3CCC2=C1 MUMGGOZAMZWBJJ-DYKIIFRCSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 210000003278 egg shell Anatomy 0.000 description 4
- 210000002149 gonad Anatomy 0.000 description 4
- 230000005415 magnetization Effects 0.000 description 4
- 235000013372 meat Nutrition 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 102000009027 Albumins Human genes 0.000 description 3
- 108010088751 Albumins Proteins 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 3
- 210000000991 chicken egg Anatomy 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000001506 fluorescence spectroscopy Methods 0.000 description 3
- 210000000992 latebra Anatomy 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 210000004940 nucleus Anatomy 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 210000004999 sex organ Anatomy 0.000 description 3
- 230000001568 sexual effect Effects 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 238000005084 2D-nuclear magnetic resonance Methods 0.000 description 2
- 230000005653 Brownian motion process Effects 0.000 description 2
- 238000012307 MRI technique Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000005537 brownian motion Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 210000001672 ovary Anatomy 0.000 description 2
- 230000017448 oviposition Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000000384 rearing effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000003307 slaughter Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 229960003604 testosterone Drugs 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- JKKFKPJIXZFSSB-UHFFFAOYSA-N 1,3,5(10)-estratrien-17-one 3-sulfate Natural products OS(=O)(=O)OC1=CC=C2C3CCC(C)(C(CC4)=O)C4C3CCC2=C1 JKKFKPJIXZFSSB-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003109 amnesic effect Effects 0.000 description 1
- 235000021120 animal protein Nutrition 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000007321 biological mechanism Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 235000021051 daily weight gain Nutrition 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000013020 embryo development Effects 0.000 description 1
- 230000008011 embryonic death Effects 0.000 description 1
- 229940011871 estrogen Drugs 0.000 description 1
- 239000000262 estrogen Substances 0.000 description 1
- JKKFKPJIXZFSSB-CBZIJGRNSA-N estrone 3-sulfate Chemical compound OS(=O)(=O)OC1=CC=C2[C@H]3CC[C@](C)(C(CC4)=O)[C@@H]4[C@@H]3CCC2=C1 JKKFKPJIXZFSSB-CBZIJGRNSA-N 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000003863 fast low-angle shot imaging Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000003163 gonadal steroid hormone Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 208000000509 infertility Diseases 0.000 description 1
- 230000036512 infertility Effects 0.000 description 1
- 231100000535 infertility Toxicity 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004476 mid-IR spectroscopy Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000000238 one-dimensional nuclear magnetic resonance spectroscopy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008058 pain sensation Effects 0.000 description 1
- 231100000760 phototoxic Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000001945 resonance Rayleigh scattering spectroscopy Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 210000001550 testis Anatomy 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000002229 urogenital system Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000001325 yolk sac Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K43/00—Testing, sorting or cleaning eggs ; Conveying devices ; Pick-up devices
- A01K43/04—Grading eggs
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/344—Sorting according to other particular properties according to electric or electromagnetic properties
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
- G01N24/08—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using nuclear magnetic resonance
- G01N24/085—Analysis of materials for the purpose of controlling industrial production systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/08—Eggs, e.g. by candling
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/28—Details of apparatus provided for in groups G01R33/44 - G01R33/64
- G01R33/30—Sample handling arrangements, e.g. sample cells, spinning mechanisms
- G01R33/307—Sample handling arrangements, e.g. sample cells, spinning mechanisms specially adapted for moving the sample relative to the MR system, e.g. spinning mechanisms, flow cells or means for positioning the sample inside a spectrometer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/28—Details of apparatus provided for in groups G01R33/44 - G01R33/64
- G01R33/32—Excitation or detection systems, e.g. using radio frequency signals
- G01R33/34—Constructional details, e.g. resonators, specially adapted to MR
- G01R33/341—Constructional details, e.g. resonators, specially adapted to MR comprising surface coils
- G01R33/3415—Constructional details, e.g. resonators, specially adapted to MR comprising surface coils comprising arrays of sub-coils, i.e. phased-array coils with flexible receiver channels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/483—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/483—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy
- G01R33/4833—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using spatially selective excitation of the volume of interest, e.g. selecting non-orthogonal or inclined slices
- G01R33/4835—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using spatially selective excitation of the volume of interest, e.g. selecting non-orthogonal or inclined slices of multiple slices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
- G01R33/5611—Parallel magnetic resonance imaging, e.g. sensitivity encoding [SENSE], simultaneous acquisition of spatial harmonics [SMASH], unaliasing by Fourier encoding of the overlaps using the temporal dimension [UNFOLD], k-t-broad-use linear acquisition speed-up technique [k-t-BLAST], k-t-SENSE
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Signal Processing (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medicinal Chemistry (AREA)
- Optics & Photonics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Environmental Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biodiversity & Conservation Biology (AREA)
- Animal Husbandry (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Housing For Livestock And Birds (AREA)
- Wrapping Of Specific Fragile Articles (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
Método para determinar de manera automatizada no invasiva el sexo de un embrión deun huevo de ave (14) que comprende las siguientes etapas: transportar una pluralidad de huevos de ave (14) introduciéndolos secuencialmente o en paralelo en un aparato de RMN (18), someter los huevos de ave (14) a una medición de RMN y determinar, para cada uno de dichos huevos (14), una o más imágenes de valores de parámetros de RMN de una región de dicho huevo, estando los valores de parámetros de RMN asociados a píxeles o vóxeles correspondientes de la imagen, en el que dichos uno o más parámetros de RMN se seleccionan de entre el grupo consistente en un tiempo de relajación T1, un tiempo de relajación T2 y un coeficiente de difusión, transmitir dichas una o más imágenes de valores de parámetros de RMN, o imágenes de parámetros derivados de los mismos,a un módulo de clasificación (38), estando dicho módulo de clasificación (38) configurado para determinar, en base a dichas una o más imágenes de valores de parámetros de RMN o a dichasimágenes de parámetros derivados de los mismos, una predicción del sexo del embrión del huevo asociado (14), y transportar dicha pluralidad de huevos de ave (14) extrayéndolos del aparato de RMN (18) y clasificar los huevos (14) de acuerdo con la predicción de sexo proporcionada por dicho módulo de clasificación (38).
Description
DESCRIPCI N
Determinación automatizada no invasiva del sexo de un embrión y la fertilidad de un huevo de ave.
CAMPO DE LA INVENCIÓN
La presente invención está en el campo de la cría de pollos para la producción de gallinas ponedoras y aves de corral. Más particularmente, en uno de sus aspectos, la presente invención se refiere a un método y un aparato para determinar de forma no invasiva el sexo de un embrión de un huevo de ave, en particular un huevo de gallina. En otro de sus aspectos, la presente invención se refiere a un método y un aparato para determinar de forma no invasiva la fertilidad de un huevo de ave, en particular de un huevo de gallina.
ANTECEDENTES DE LA INVENCIÓN
En el año 2015, se produjeron alrededor de 1338 billones de huevos de gallina. Las gallinas criadas para la producción de huevos se llaman gallinas ponedoras. Algunas razas de gallinas pueden producir más de 300 huevos por año. Al criar gallinas ponedoras de huevos, poco después de la eclosión, se determina el sexo del pollo y solo se crían las gallinas. Si bien, en principio, los gallos también podrían criarse y usarse para la producción de carne, las razas específicas de puesta de huevos son significativamente peores para este propósito en comparación con las razas específicas de producción de carne, ya que las razas de producción de carne proporcionarán una mayor ganancia diaria de peso, una mayor peso final y una distribución más favorable de la carne por el cuerpo. Esto significa que actualmente, en la cría de gallinas ponedoras, los gallos son sacrificados poco después de la eclosión. Muchos consideran que este procedimiento es moralmente inapropiado y está en conflicto con la ley actual y probablemente aún más con la futura ley de protección animal. En particular, es ilegal en la mayoría de los países, incluida Alemania, causar dolor, sufrimiento o daño a los animales sin causa justificada, y hay un debate en curso sobre hasta qué punto se viola esto al sacrificar gallos después de la eclosión.
Para solventar este problema, ha habido intentos de determinar el sexo de un pollo antes de la eclosión. Por ejemplo, utilizando métodos de biología molecular, es posible llevar a cabo una PCR específicamente para el cromosoma W femenino y, basándose en una ampliación específica para el cromosoma W, se pueden identificar animales hembras. En principio, es posible llevar a cabo estos métodos de biología molecular incluso in ovo, pero esto implicaría que se necesitaría tomar una muestra de tejido del embrión y, en cualquier caso, la cáscara debería dañarse.
Además de la determinación de la biología molecular del sexo in ovo, ha habido intentos de determinar el sexo en función del contenido de hormonas sexuales en el líquido alantoideo de los embriones, como se demostró en Weissmann, A., Reitemeier, S., Hahn, A., Gottschalk, J. & Einspanier, A. Sexing domestic chicken before hatch: A new method for in ovo gender Identification, and in Theriogenology 80, 199-205 (2013), Tran, H. T., Ferrell, W. & Butt, T. R. An estrogen sensor for poultry sex sorting. J. Anim. Sci. 88, 1358-1364 (2010). En base a la diferencia en la concentración de sulfato de estrona, se descubrió que era posible distinguir entre embriones de pollo machos y hembras. Sin embargo, este método conlleva una serie de problemas. Por ejemplo, se observa que la tasa de eclosión disminuye como consecuencia de tomar las muestras del líquido alantoideo, lo que probablemente se deba al orificio que debe formarse en la cáscara del huevo. Además, con este método, el sexo solo se puede determinar entre el 4° y el 10° día del embrión.
Una posibilidad no invasiva para determinar el sexo del pollo in ovo se basa en colores de plumas específicos del sexo. Usando métodos hiperespectrales, es posible determinar el color de las plumas a través de la cáscara del huevo y así determinar el sexo, como se demuestra en Gohler, D., Fischer, B. & Meissner, S. In-ovo sexing of 14-day-old chicken embryos by pattern analysis in hyperspectral images (VIS/NIR spectra): A non-destructive method for layer lines with gender specific down feather color. Poult. Sci. 96, 1-4 (2017). Si bien este método parece muy ventajoso a primera vista, requiere la cría de razas especiales de pollo que tengan marcadores de plumas específicos del sexo. Por lo tanto, esta técnica no se puede aplicar universalmente a todas las razas de pollo.
Otro método óptico para usar en la determinación del sexo in ovo se basa en la espectroscopía Raman. Este método ya se ha aplicado con éxito al pollo después de la eclosión, donde el sexo se ha determinado en función de los folículos de plumas, ver Harz, M. et al. Minimal Invasive Gender Determination of Birds by Means of UV-Resonance Raman Spectroscopy. Anal. Chem. 80, 1080-1085 (2008). For this spectroscopic method, light in the UV range was used, which unfortunately bears the risk of photo toxic effects. In Galli, R. et al. In ovo sexing of domestic chicken eggs by Raman spectroscopy, Anal. Chem. 88, 8657-8663 (2016), se usó radiación infrarroja para determinar el sexo in ovo. Para este propósito, la cáscara del huevo se abrió con un láser de CO2, proporcionando acceso al embrión de pollo en el día 3.5. La medición se realizó directamente en un vaso sanguíneo del embrión. Se halló que las diferencias
promedio en las señales de espectroscopia Raman eran mayores para los embriones masculinos que para los embriones femeninos, lo que permite determinar el sexo. La tasa de eclosión del pollo sometido a dicha medición basada en la espectroscopía Raman fue solo ligeramente menor de lo habitual, y no se pudo observar ninguna influencia negativa en el desarrollo posterior del pollo.
En Galli, R. et al. In ovo sexing of chicken eggs by fluorescence spectroscopy. Anal. Bioanal. Chem. 409, 1185-1194 (2017), la espectroscopía de fluorescencia se usa para determinar el sexo de los embriones de pollo. También en este caso, resultó posible determinar el sexo en el día 3.5 del embrión basándose en una señal de fluorescencia pronunciada a 910 nm para embriones masculinos. Al combinar los datos de fluorescencia y espectroscopía Raman, el sexo se pudo determinar correctamente en el 90% de los casos. Sin embargo, este método todavía requiere abrir la cáscara del huevo para poder acceder a los vasos sanguíneos del embrión. Esto conlleva el riesgo de contaminación y una tasa de eclosión menor. El documento DE 102013205426 A1 describe un método para determinar el sexo de un embrión en un huevo de manera no invasiva, determinando la concentración de estradiol y, opcionalmente, además la concentración de testosterona. En una realización, la concentración de estradiol se determina por medio de espectroscopía de RMN, basada en un cambio químico. La concentración de estradiol se determina antes del día 25 de reproducción, y preferiblemente el día 17 de reproducción. Sin embargo, este método no ha encontrado su camino hacia una aplicación práctica. Una dificultad con este método es que las concentraciones de hormonas están típicamente en un rango de pMol/l solamente y, por lo tanto, no pueden detectarse de manera fiable con la espectroscopía de RMN.
El documento WO 00/01302 describe un método y un aparato no invasivos para sexar el pollo en el huevo. El método emplea imágenes de RMN de alta resolución para determinar si el embrión dentro del huevo contiene órganos sexuales masculinos o femeninos. De hecho, para este método, se necesitan imágenes con una resolución espacial de más de 0.1 mm para determinar los órganos sexuales masculinos y femeninos. Tal alta resolución no es compatible con tiempos de medición cortos necesarios para aplicaciones prácticas. Además, las imágenes de muy alta resolución en los últimos estados de incubación son muy sensibles al movimiento y, por lo tanto, sufren distorsiones.
Por consiguiente, ninguno de estos dos métodos basados en la espectroscopía de RMN o en las imágenes de RMN ha resultado factible.
Además, en la industria avícola también se desea determinar de forma no invasiva la fertilidad de un huevo. La industria avícola es una de las fuentes más importantes de proteína animal para consumo humano. La revista Poultry Trends en 2016 estima que la producción y el consumo mundial de carne de aves de corral aumentarán en un 20% para 2025, a más de 130 millones de toneladas métricas. En 2016, el mercado mundial ya producía 116,4 millones de toneladas métricas de carne de aves de corral, donde las 185 principales compañías productoras de aves de corral sacrificaron cerca de 38 mil millones de cabezas para satisfacer la demanda mundial. Solo en los Estados Unidos, la industria avícola se valoró en $ 38.7 billones de dólares estadounidenses.
A pesar de su volumen significativo, el proceso de incubación de huevos para incubar aves está lejos de ser perfecto. Una instalación avícola promedio solo llega a la eclosióndel 75%-85% de los huevos que incuba. El otro 15-25% de los huevos sufren muerte embrionaria temprana o no son fértiles. Actualmente, los embriones infértiles y muertos se separan de los embriones vivos después de 18 días de incubación con tecnologías no invasivas, como el removedor de huevos Embrex® (http://embrexbiodevices.com/Poultry-BioDevices/Embrex-Egg-Remover/). Si bien esta solución evita la apertura innecesaria de los huevos, sigue siendo un desperdicio: se eliminan todos los huevos sin polluelo dentro. Es decir, la industria incuba más de 12.8 mil millones de huevos anualmente solo para tirarlos. Por lo tanto, una solución que pudiese determinar el estado de fertilidad de un huevo antes de la incubación sería muy deseable. Tal solución aumentaría dramáticamente la productividad y ahorraría energía, costos y deshechos. Además, incorporaría miles de millones de huevos en el mercado para consumo humano. Existen varias patentes en el campo de la identificación de huevos fértiles. Por ejemplo, la Patente de los Estados Unidos 5.745.228 - Método y aparato para distinguir los huevos de ave de corral vivos de los infértiles utiliza una fuente de luz para determinar si las aves de corral dentro del huevo están vivas. Esta es la tecnología utilizada en el removedor de huevo Embrex®.
La Patente de Estados Unidos 6.029.080 - Método y aparato para la determinación del sexo aviarpreeclosión propone el uso de IRM para sexar miembros de especies de huevos de ave. Si bien esta patente utiliza tecnología de resonancia magnética, no hace referencia a la determinación del estado de fertilidad y se centra exclusivamente en identificar las gónadas a través de la resonancia magnética para el sexado.
La Patente de Estados Unidos 7.950.439 B1: Detección de la fertilidad y el género del huevo aviar sugiere el uso de una fuente de luz externa en forma de luces incandescentes, fluorescentes o LED para la determinación de la fertilidad y el género de un huevo aviar.
La Patente de EE. UU. US 6.535.277 B2: Métodos y aparatos para la identificación no invasiva de las condiciones de los huevos a través de la comparación espectral de múltiples longitudes de onda se basan en el uso de luz visible e invisible en longitudes de onda entre 300 nm y 1.100 nm para identificar múltiples condiciones de un huevo, incluida el estado de fertilidad.
El documento US2013/0044210 AI - Identificación hiperespectral de la fertilidad y el género del huevo utiliza la luz a mitad del IR para determinar la fertilidad de un huevo. Los inventores de esta patente afirman que son capaces de determinar el estado de fertilidad de un huevo en el día cero (es decir, recién puesto) con una precisión del 90%.
A. Davenel et al. en "Attempts for early gender determination of chick embryos in ovo using Magnetic Resonance Imaging", , 1 de junio de 2015 (2015-06-01), descargado de Internet: URL: http://www.wpsa.com/index. php/publications/wpsaproceedings/2015/xxii-european-symposium-on-thequality of poultry-meaty-y-the-xvi-european-symposium-on-the-quality-ofeggs-and-egg-products/2196-attempts-for-early-genderdetermination-of-chick embryos-in-ovo-using-magneticresonance-imagaging/file, recuperado por la EPO en 2018-03-23, describe los intentos de desarrollar un método no invasivo basado en imágenes de resonancia magnética para la detección temprana del sexo de un embrión de pollo en ovo. En un experimento se desarrollaron y evaluaron secuencias "morfológicas" de resonancia magnética en 3D para detectar gónadas en campos magnéticos de 1,5 y 4,7 Tesla mediante una exploración fina de la morfología del embrión para detectar la diferencia asimétrica de los ovarios y los testículos, cuyo tamaño no supera unos pocos milímetros. Los sistemas urogenitales estaban bien identificados con el generador de imágenes de 4.7 Tesla pero, a pesar de los numerosos intentos de utilizar las observaciones por resonancia magnética de los óvulos en diversas etapas del desarrollo embrionario (hasta 17 días), no se logró identificar las gónadas. Las gónadas se desarrollan en los riñones y no tienen una composición que permita distinguir ambos tejidos. En este trabajo se subrayó además que se creía que este método no invasivo era bastante difícil de establecer en la incubadora debido al número de huevos y a la laboriosa velocidad de clasificación de los polluelos o los huevos. El segundo experimento se relacionaba con el desarrollo y la evaluación de lo que se denomina secuencias de resonancia magnética tridimensional "paramétrica" para observar y caracterizar los diferentes compartimentos del huevo y ver si su volumen o su composición permitía la discriminación por sexo entre los huevos. Cuando estaobra hace referencia a imágenes "paramétricas", este término no se utiliza en el sentido habitual, ya que en realidad se determinarían los valores cuantitativos de los parámetros, en este caso los tiempos de relajación T1 y T2. En su lugar, se obtuvieron imágenes ponderadas T1 y T2. En particular, las imágenes ponderadas T1 permitieron diferenciar claramente cuatro compartimentos diferentes, a saber, la albúmina líquida, la albúmina espesa, el saco vitelino y las cavidades alantoides y amnésicas. Se examinaron numerosos óvulos mediante resonancia magnética en diversas etapas para evaluar estadísticamente si los volúmenes y las tasas de relajación T1 o T2 de los distintos compartimentos de los óvulos evolucionaban de manera diferente entre ambos sexos, pero no se observaron diferencias significativas. Siete días después de la incubación, fue posible distinguir entre los huevos no fertilizados y los embrionados, en base al volumen relativo de las zonas.
El documento EP 0890838 B1 divulga un método y un aparato para seleccionar los huevos en función de su fertilidad. Según este método, los huevos se someten a un tratamiento de resonancia magnética nuclear (RMN) para obtener una imagen de RMN, y los huevos se seleccionan entre una pluralidad de huevos según una característica particular, en base a la imagen de RMN. De acuerdo con una implementación, con la imagen de RMN se determina la configuración de los protones en la yema. Los inventores afirman que la fecundación de un huevo conduce a un cambio específico de la configuración de los protones, especialmente en la yema del huevo en cuestión, que sería observable mediante un tratamiento de RMN, incluso directamente después de la puesta. Por lo tanto, se argumenta que la fertilidad del huevo podría determinarse sobre la base de la configuración de los protones. En otra implementación, se sugiere determinar, con ayuda de la imagen de RMN, si la división celular en el huevo, en particular en el disco germinal, se ha producido como resultado de la fecundación. No se muestra un ejemplo específico o imágenes de RMN para esta variante, ni se describe cómo debe hacerse la distinción. La solicitud sólo menciona que la imagen de RMN debe "compararse con las imágenes de RMN almacenadas en una base de datos". De hecho, ni siquiera queda claro si los inventores de esta patente del estado de la técnica tenían realmente la intención de analizar o alguna vez han analizado correctamente el disco germinal. A saber, mientras que esta aplicación se refiere al "llamado latebra en el que se encuentra el disco germinal en el centro de la yema", cabe señalar que el disco germinal no se encuentra en el latebra y no está situado en el centro de la yema, sino en una porción exterior de la yema y sólo está conectado con el latebra a través de un cuello largo. En todo caso, hasta donde saben los inventores, los métodos y aparatos de determinación de la fertilidad de huevos basados en la imagen de
resonancia magnética nuclear no han podido funcionar de manera suficientemente fiable y eficiente como para encontrar un uso práctico hasta ahora.
RESUMENDE LA INVENCIÓN
El problema que subyace a un primer aspecto de la invención es proporcionar un método y un aparato para la determinación no invasiva y automatizada del sexo de un embrión de un huevo de ave, en particular un huevo de gallina, que permita una determinación rápida y fiable del sexo del embrión en una etapa temprana, en la que el embrión no haya desarrollado aún el sentido del dolor. Este problema se resuelve mediante un método de acuerdo con la reivindicación 1 y mediante un aparato de acuerdo con la reivindicación 9. En las reivindicaciones dependientes se definenrealizaciones preferentes.
El método de acuerdo con el primer aspecto de la invención comprende las etapas de transportar una pluralidad de huevos de ave secuencialmente o en paralelo introduciéndolos en un aparato de RMN y de someter los huevos de ave a una medición de RMN para así determinar, para cada uno de los huevos, una o más imágenes de valores de parámetro de RMN de una región de dicho huevo, en las quevalores de un parámetro de RMN están asociados a píxeles o vóxeles correspondientes de la imagen,en donde dichos uno o más parámetros de RMN se seleccionan de entre el grupo consistente en un tiempo de relajación T1, un tiempo de relajación T2 y un coeficiente de difusión.
Cabe destacar que el término “imagen” no implicaque sea algo que deba ser inspeccionado visualmente, sino que solamente implica que un parámetro es asociado con una determinada región espacial del interior del huevo. Se hace referencia a tal región de una imagen comúnmente como píxel o vóxel.
El método comprende además transmitir las una o más imágenes de valores de parámetro de RMN, oimágenes de parámetros derivados de los mismos, a un módulo de clasificación, el cual está configurado para determinar, en base a las una o más imágenes de valores de parámetro de RMN, o a las imágenes de parámetros derivados de los mismos, una predicción del sexo del embrión del huevo asociado, ytransportar dicha pluralidad de huevos de ave extrayéndolos del aparato de RMN y clasificar los huevos de acuerdo con la predicción de sexo proporcionada por dicho módulo de clasificación. La frase "o parámetros derivados de los mismos" indica aquí que, en lugar del valor del parámetro en sí, se puede emplear para la clasificaciónun valor derivado de ese parámetro, por ejemplo un valor normalizado, el cuadrado del valor o similar, lo cual puede resultar más apropiado para los propósitos de clasificación. Los “valores de parámetro derivados” también están asociados a correspondientes píxeles o vóxeles de la imagen y por tanto forman ellos mismos una imagen, a la cual se hace referencia aquí como “imagen de parámetros derivados” en aras de la brevedad.
Según la presente invención, la determinación del sexo mediante el módulo de clasificación se lleva a cabo en base a uno o más parámetros específicos de RMN, a saber, un tiempo de relajación T1, un tiempo de relajación T2 y un coeficiente de difusión. Sorprendentemente, se ha descubierto que cada uno de estos parámetros específicos de RMN es sensible al sexo de un embrión de pollo. En consecuencia, basándose en al menos uno, pero típicamente en un conjunto de más de uno de estos parámetros, puede determinarse el sexo del embrión que hay dentro del huevo mediante un módulo de clasificación.
Téngase en cuenta que este método es diferente de los métodos de la técnica anterior basados en la determinación de la concentración de estradiol mediante espectroscopía de RMN, o basados en la determinación del sexo mediante el análisis de imágenes de RMN altamente resueltas para reconocer órganos sexuales suficientemente desarrollados, que podrían considerarse como métodos "deductivos", en el sentido de que se espera que ciertas características relacionadas con el sexo (hormonas, órganos sexuales) estén presentes y luego se verifiquen utilizando técnicas de RMN. En contraste con ello, el método de la invención se basa únicamente en parámetros, sin necesidad de ninguna teoría o explicación de por qué estos parámetros están correlacionados con el sexo del embrión. En su lugar, el método de la invención se basa en la sorprendente observación de que los tres parámetros de RMN mencionados anteriormente son caracterizadores del sexo del embrión de pollo, incluso en una etapa muy temprana. Según el entendimiento actual, la mejor predicción se puede hacer si la unidad de clasificación recibe un conjunto que comprenda los tres parámetros anteriormente mencionados T1, T2 y coeficiente de difusión, y basa su predicción en ellos, p.e. utilizando un clasificador adecuado. Sin embargo, no es necesario combinar estos tres parámetros en un conjunto, sino que es posible usar solo dos de estos parámetros en combinación, o uno de estos parámetros en combinación con otros parámetros de RMN. De hecho, específicamente el parámetro T1 de RMN es suficientemente característico del sexo como para concebir una predicción basada solo en este parámetro.
Que el módulo de clasificación base la decisión solamente en parámetros tiene la ventaja de que ello permite un equilibrio muy bueno entre alto rendimiento y clasificación sólida y fiable. En general, la medición y el procesamiento de unos pocos parámetros individuales se pueden llevar a cabo de manera relativamente rápida y sencilla como p. e. en comparación con las imágenes de alta resolución que deben
emplearse en el documento WO 00/01302, mientras que una clasificación de género sólida puede apoyarse particularmente en las diferencias de género en T1, T2 y el coeficiente de difusión. De hecho, varias realizaciones descritas a continuación permiten determinar el género de cada uno de, por ejemplo, 150 huevos en paralelo en menos de tres minutos, con el potencial de disminuir este tiempo de medición a dos minutos y posiblemente incluso a un minuto, cuando se hace un uso óptimo de las técnicas rápidas de resonancia magnética y generación de imágenes en paralelo, lo que permite un tiempo de medición promedio de un segundo por huevo o menos. Además, la confianza estadística se puede aumentar aumentando el número de parámetros en el conjunto de parámetros, lo que puede conllevar un aumento del tiempo de medición moderado y aún así aumentar significativamente la calidad de predicción del método, incluso si la interrelación de los parámetros y su relación con sexo no se entiende o no se entiende completamente. Esto es fundamentalmente diferente en comparación con los métodos puramente deductivos, en los que la conclusión sobre el sexo se debe alcanzar bajo ciertas premisas biológicas (presencia de estradiol, ausencia de testosterona, presencia de órganos sexuales en la imagen). En tales métodos deductivos, la confianza solo puede aumentarse aumentando la confianza bajo las premisas dadas, donde un pequeño grado de confianza adicional puede tener como precio enormes esfuerzos adicionales de medición de RMN y, en consecuencia, un rendimiento reducido del método. Además, indicaciones distintas a las premisas no con consideradas, en particular indicaciones que podrían desarrollarse en una etapa más temprana del embrión que la concentración de hormonas o los órganos sexuales. Por ejemplo, de acuerdo con el documento d E 102013205426 A1, la concentración de estradiol se determina preferiblemente el día 17 de incubación, cuando un embrión de pollo ya puede sentir dolor.
En una realización preferente, dichos uno o más parámetros de RMN comprenden un conjunto de dos o más parámetros de RMN, de los cuales al menos uno se selecciona de entre dicho grupo que consiste en un tiempo de relajación T1, un tiempo de relajación T2 y un coeficiente de difusión.
En una realización preferente, dicho conjunto de parámetros de RMN comprende además uno o más de los siguientes parámetros: un tiempo de relajación T2 *, un tiempo de relajación T 1y una densidad de espín asociada con uno o más de los núcleos 1H, 13C, 23Na, y 31P, o parámetros derivados de los mismos. Si bien estos parámetros, de acuerdo con el entendimiento actual de los inventores, son menos caracterizadores del sexo del embrión en su etapa inicial de desarrollo, se pueden combinar con algunos de los tres parámetros favoritos T1, T2 y coeficiente de difusión, o con todos ellos, en conjunto y pueden ser considerados por el módulo de clasificación, lo que aumenta la fiabilidad de la determinación.
Adicionalmente o alternativamente, dicho conjunto de parámetros de RMN comprende preferiblemente además uno o más de los siguientes: una señal de cambio químico de metabolitos, en particular agua, lípidos, aminoácidos, ácidos nucleicos u hormonas; una señal de transferencia selectiva de cambio químico; y señales de RMN de coherencia cuántica cero o de coherencia cuántica múltiple, o parámetros derivados de las mismas. Por ejemplo, en el caso de un espectro de señal de cambio químico, un "parámetro derivado del mismo" podría ser la amplitud de un pico dado, la relación de dos picos, la diferencia de dos picos o similares. Un parámetro puede ser un número o un conjunto de números, como un vector. Sin embargo, si el módulo de clasificación es un módulo de aprendizaje automatizado, como se explica a continuación, también es posible proporcionar simplemente el espectro completo al módulo, que mediante el aprendizaje automatizado es capaz de determinar las características relevantes del mismo por sí mismo.
En una realización preferente, dicho módulo de clasificación es un módulo de aprendizaje automatizado (“machine learning”). Los inventores han descubierto que el aprendizaje automatizado es una forma particularmente poderosa de determinar el sexo basándose en uno o más de los parámetros antes mencionados T1, T2 y coeficiente de difusión. Es decir, si bien las mediciones disponibles indican claramente que estos parámetros son caracterizadores del sexo del embrión, actualmente no hay un modelo biológico deductivo disponible sobre por qué exactamente o por qué mecanismo biológico subyacente el sexo está relacionado con cada uno de estos parámetros, o la distribución de los parámetros dentro del huevo como se representa en una imagen de valores de parámetro. En consecuencia, el aprendizaje automatizadoresulta ideal para reconocer los patrones en cualquiera de estos parámetros o en sus combinaciones que son indicativas del sexo del embrión, lo que permite predicciones fiables y fechas de predicción tempranas en la vida del embrión.
En una realización preferente, el módulo de clasificación está configurado para determinar la predicción del sexo del embrión usando un clasificador lineal. Los clasificadores lineales preferidos para los fines de la presente invención se basan en una o más de regresión lineal de mínimos cuadrados, vecinos más cercanos, regresión logística, separación de hiperplanos o perceptrones.
En una realización preferente alternativa, dicho módulo de clasificación está configurado para determinar la predicción del sexo del embrión usando un clasificador no lineal. Los clasificadores no lineales preferidos para los fines de la presente invención se basan en polinomios por partes, splines, kernel
smoothing, métodos basados en árboles (tree-based), máquinas de vectores de soporte, bosque aleatorio (“”random forest”), métodos de refuerzo(“boosting”), métodos aditivos y de conjuntos (“”additive and ensemble”) o modelos gráficos.
En realizaciones particularmente ventajosas, el módulo de clasificación está configurado para determinar la predicción del sexo del embrión usando un algoritmo de aprendizaje profundo (“deep learning”), que permite hacer un uso óptimo de la información sobre el sexo expresada en el conjunto de parámetros de RMN. Los algoritmos de aprendizaje profundo preferidos para el propósito de la invención se basan en redes neuronales convolucionales, redes neuronales recurrentes o redes de memoria a corto plazo largo (“long short-term memory”).
En realizaciones alternativas, el módulo de clasificación puede configurarse para determinar la predicción del sexo del embrión basándose en una comparación con valores de parámetros almacenados en una base de datos.
En una realización preferente, la medición de RMN comprende generar imágenes de RMN, en donde un plano de generación imágenes de RMN está dispuesto de tal manera que intersecta la ubicación del embrión. Aquí, la generación de imagen de RMN puede referirse en particular a la formación de imágenes de valores de parámetro para uno o más de los parámetros T1, T2 y el coeficiente de difusión.
En una realización preferente, los huevos están dispuestos según un patrón regular, en particular en una configuración de matriz sobre una bandeja durante dicho transporte y medición de RMN.
Preferiblemente, el número de huevos dispuestos en dicha bandeja es al menos 36, preferiblemente al menos 50 y lo más preferiblemente al menos 120.
En una realización preferente, el método se lleva a cabo antes del octavo día de incubación, preferiblemente en el quinto día de incubación, cuando el embrión aún no ha desarrollado ninguna sensación de dolor.
El problema subyacente a un segundo aspecto de la invención es proporcionar una técnica no invasiva que sea capaz de identificar automáticamente los huevos infértiles inmediatamente después de la puesta y antes de la incubación, y que sea capaz de manejar un gran flujo de huevos y no dañe ni altere huevos de ninguna manera. Este objetivo se logra por medio de un método de acuerdo con la reivindicación 6 y un aparato de acuerdo con la reivindicación 12. Realizaciones preferentes se definen en las reivindicaciones dependientes.
El método según el segundo aspecto de la invención comprende las etapas detransportar una pluralidad de huevos de ave secuencialmente o en paralelo introduciéndolosen un aparato de RMN,someter los huevos de ave a una medición de RMN para determinar así, para cada uno de dichos huevos, uno o ambos de:
- un histograma de coeficientes de difusión en varias ubicaciones en el huevo,
- un espectro de RMN de la yema que incluye picos correspondientes al agua y la grasa,
determinar una predicción de la fertilidad basada en la forma del histograma de coeficientes de difusión y/o en el espectro de RMN, ytransportar dicha pluralidad de huevos de ave (14) extrayéndolos de dicho aparato de RMN (18) yclasificar los huevos de acuerdo con la predicción de fertilidad.
Los inventores han descubierto que, sorprendentemente, la forma de un histograma de coeficientes de difusión en varios lugares dentro del huevo difiere para los huevos fértiles e infértiles. Aquí, el histograma indica la frecuencia con la que se producen ciertos coeficientes de difusión cuando se realizan mediciones en varios lugares del huevo. En consecuencia, analizando la forma del histograma del coeficiente de difusión, se puede predecir la fertilidad.
Además, los inventores han hallado que de manera igualmente sorprendente, los espectros de RMN de la yema de los huevos fértiles e infértiles difieren con respecto a sus picos correspondientes al agua y la grasa. Por consiguiente, la forma de un espectro de RMN que incluye tales picos de agua y grasa también es caracterizadora de la fertilidad y puede emplearse en la determinación.
Si bien se puede usar una sola de las dos características de fertilidad para el método, en las realizaciones preferentes, ambas características se combinan en la determinación, para así aumentar la fiabilidad de la predicción.
Dado que los huevos pueden someterse a mediciones de RMN sin causar ningún daño o lesión a la cáscara o al interior, la tasa de eclosión no se ve afectada negativamente por esta medición. Al mismo tiempo, se puede evitar la incubación innecesaria de huevos infértiles. Además, dado que la infertilidad se
determina antes de la incubación, los huevos que se determinen infértiles todavía se pueden usar para comer, lo que no es posible una vez la incubación ha comenzado.
Si bien, por supuesto, hay muchas formas de analizar la forma de un histograma de coeficiente de difusión, en una realización preferente, determinar la fertilidad en función de la forma del histograma de coeficientes de difusión comprende comparar la frecuencia estadística de al menos dos coeficientes de difusión o rangos de coeficientes de difusión diferentes. Esta es una forma particularmente simple de caracterizar la forma del histograma de coeficiente de difusión que ha demostrado dar resultados sorprendentemente fiables.
En una realización preferente, dichos al menos dos coeficientes de difusión diferentes, o los centros de dichos al menos dos intervalos de coeficientes de difusión están separados entre 0,5 y 2,5 mm2/s, preferiblemente entre 0,75 y 1,5 mirP/s.
De dichos al menos dos coeficientes de difusión diferentes, o de los centros de dichos al menos dos intervalos de coeficientes de difusión, preferiblemente uno está ubicado en un rango de 0.6 a 1.3 mm2/s, preferiblemente en un rango de 0.7 a 1.2 mm2/s, y el otro está ubicado en un rango de 1.5 a 2.5 miT/s, preferiblemente en un rango de 1.7 a 2.3 mm2/s.
En una realización preferente, dichas diversas ubicaciones en el huevo están distribuidas uniformemente en el huevo y, en particular, corresponden a vóxeles de una imagen de coeficiente de difusión.
Respecto al espectro, los inventores han observado que p. e. cuando el espectro se normalizarespecto a los picos correspondientes a la grasa, el pico correspondiente al agua es mayor en un huevo infértil en comparación con un huevo fértil. En consecuencia, una forma de determinar la fertilidad es a través de la proporción de los picos de agua y grasa. Sin embargo, hay diferentes formas de clasificar la fertilidad en función de los espectros de RMN. En particular, es posible presentar a un módulo de aprendizaje automatizado que lleve a cabo la clasificación el espectro o ciertas características del espectro, tales como alturas de pico y ubicaciones de pico.
En cualquiera de los métodos según el primer o el segundo aspecto de la invención, los huevos están dispuestos según un patrón regular, en particular en una configuración de matriz,sobre una bandeja durante dicho transporte y medición de RMN. Preferiblemente, el número de huevos dispuestos en dicha bandeja es al menos 36, preferiblemente al menos 50 y lo más preferiblemente al menos 120.
La invención se refiere además a un aparato para la determinación no invasiva automatizada del sexo de un embrión de un huevo de ave, que comprende: un aparato de RMN y un dispositivo de transporte para transportar una pluralidad de huevos de ave de forma secuencial o en paralelo a dentro y a fuera de dicho aparato de RMN. El aparato de RMN está configurado para someter los huevos de ave a una medición de RMN, para determinar así, para cada uno de dichos huevos, una o más imágenes de valores de parámetro de RMN de una región de dicho huevo, estando los valores de parámetro asociados a correspondientes píxeles o vóxeles de la imagen, siendo seleccionados dichos uno o más parámetros de entre el grupo que consiste en un tiempo de relajación T1, un tiempo de relajación T2 y un coeficiente de difusión.
El aparato comprende además un módulo de clasificación configurado para recibir las una o más imágenes de parámetros de RMN, o imágenes de parámetros derivados de los mismos, estando dicho módulo de clasificación configurado para determinar, en base a dichas una o más imágenes de parámetros de RMN o a imágenes de parámetros derivados de los mismos, una predicción del sexo del embrión del huevo asociado. Finalmente, el aparato comprende un dispositivo de ordenación de huevos para clasificar los huevos de acuerdo con la predicción de sexo proporcionada por dicho módulo de clasificación.
En una realización preferente, dichos uno o más parámetros de RMN comprenden un conjunto de dos o más parámetros de RMN, de los cuales al menos uno se selecciona de entre dicho grupo que consiste en un tiempo de relajación T1, un tiempo de relajación T2 y un coeficiente de difusión.
Preferiblemente, dicho conjunto de parámetros de RMN comprende además uno o más de los siguientes parámetros: un tiempo de relajación T2 *, un tiempo de relajación Tp y una densidad de esp'n asociada con uno o más de los núcleos 1H, 13C, 23Na y 31P.
Adicionalmente o alternativamente, dicho conjunto de parámetros de RMN comprende preferiblemente además uno o más de los siguientes: una señal de cambio químico de metabolitos, en particular agua, lípidos, aminoácidos, ácidos nucleicos u hormonas; una señal de transferencia selectiva de cambio químico; y señales de RMN de coherencia cuántica cero o de coherencia cuántica múltiple.
En una realización preferente, dicho módulo de clasificación es un módulo de aprendizaje automatizado (“machine learning”).
Preferiblemente, dichos valores de parámetros de RMN, o parámetros derivados de los mismos, forman valores de características presentados al módulo de aprendizaje automatizado como un vector de características (“feature vector”).
En una realización preferente, dicho módulo de clasificación está configurado para determinar la predicción del sexo del embrión utilizando un clasificador lineal, en particular un clasificador lineal basado en uno o más de regresión lineal de mínimos cuadrados, vecinos más cercanos, regresión logística, separación de hiperplanos o perceptrones.
En una realización preferente alternativa, dicho módulo de clasificaciónestá configurado para determinar la predicción del sexo del embrión utilizando un clasificador no lineal, en particular un clasificador no lineal basado en polinomios por partes, splines, kernel smoothing, métodos basados en árboles (tree-based), máquinas de vectores de soporte, bosque aleatorio (“”random forest”), métodos de refuerzo(“boosting”), métodos aditivos y de conjuntos (“”additive and ensemble”) o modelos gráficos.
En otra realización preferente alternativa, dicho módulo de clasificación (38) está configurado para determinar la predicción del sexo del embrión usando un algoritmo de aprendizaje profundo (“deep learning”), en particular un algoritmo de aprendizaje profundo basado en redes neuronales convolucionales, redes neuronales recurrentes o redes de memoria de corto plazo largo.
En una realización alternativa, el módulo de clasificación (38) está configurado para determinar la predicción del sexo del embrión basándose en una comparación con valores de parámetros almacenados en una base de datos.
La invención se refiere además a un aparato para la determinación no invasiva automatizada de la fertilidad de un huevo de ave que comprende un aparato de RMN y un dispositivo de transporte para transportar una pluralidad de huevos de ave de forma secuencial o en paralelo a dentro y a fuera de dicho aparato de RMN, en el que dicho aparato de RMN está configurado para someter los huevos de ave a una medición de RMN, para determinar de ese modo, para cada uno de dichos huevos, uno o ambos de - un histograma de coeficientes de difusión en varias ubicaciones en el huevo,
- un espectro de RMN de la yema que incluye picos correspondientes a agua y grasa,
en el que dicho aparato está configurado además para determinar una predicción de la fertilidad basada en la forma del histograma de coeficientes de difusión y/o en el espectro de RMN, en el que dicho aparato comprende además un dispositivo de ordenación de huevos para clasificar los huevos de acuerdo con la predicción de fertilidad.
En una realización preferente, dicha determinación de la fertilidad basada en la forma del histograma de coeficientes de difusión por el aparato comprende comparar la frecuencia estadística de al menos dos coeficientes de difusión diferentes o rangos de coeficientes de difusión.
En una realización preferente, dichos al menos dos coeficientes de difusión diferentes, o los centros de dichos al menos dos intervalos de coeficientes de difusión están separados entre 0,5 y 2,5 mm2/s, preferiblemente entre 0,75 y 1,5 mirP/s.
En una realización preferente, de dichos al menos dos coeficientes de difusión diferentes o de los centros de dichos al menos dos rangos de coeficientes de difusión, uno está ubicado en un rango de 0.6 a 1.3 mm2/s, preferiblemente en un rango de 0.7 a 1.2 mm2/s, y el otro está ubicado en un rango de 1.5 a 2.5 mm2/s, preferiblemente en un rango de 1.7 a 2.3 mm2/s.
En una realización preferente, dichas diversas ubicaciones en el huevo están distribuidas uniformemente en el huevo y, en particular, corresponden a vóxeles de una imagen de coeficiente de difusión.
En una realización preferente, dicho aparato está configurado para determinar una predicción de fertilidad basada en el espectro de RMN en base a la proporción de picos correspondientes a agua y a grasa en dicho espectro de RMN.
Independientemente de si el aparato está configurado para determinar el sexo del embrión o la fertilidad del huevo, en realizaciones preferentes, el aparato comprende además una bandeja en la que dichos huevos pueden disponerse según un patrón regular, en particular en una configuración de matriz, durante dicho transporte y medición de RMN.
En una realización preferente, el número de huevos que se pueden disponer en dicha bandeja es al menos 36, preferiblemente al menos 50 y lo más preferiblemente al menos 120.
En una realización preferente, dicho aparato de RMN comprende una disposición de bobinas de RF para aplicar campos magnéticos de RF a los huevos ubicados en la bandeja y/o para detectar señales de RMN, comprendiendo dicha disposición de bobinas de RF uno o más de
- una pluralidad de bobinas dispuestas en un plano situado por encima de la bandeja cargada de huevos cuando se transportan al aparato de RMN,
- una pluralidad de bobinas dispuestas en un plano ubicado por debajo de la bandeja cargada de huevos cuando se transportan al aparato de RMN,
- una pluralidad de bobinas dispuestas en planos verticales que se extienden entre filas de huevos en la bandeja cuando se transportan al aparato de RMN, cuyas filas se extienden en paralelo con la dirección de transporte de la bandeja dentro y fuera del aparato de RMN.
En el caso de la pluralidad de bobinas dispuestas en un plano ubicado por arriba o por mdebajo de la bandeja cargada con huevos, la relación entre la cantidad de bobinas y la cantidad de huevos dispuestos en dicha bandeja está entre 1: 1 a 1:25, preferiblemente entre 1: 1 a 1:16, y lo más preferiblemente entre 1: 1 a 1: 5.
En una realización preferente, dicho aparato de RMN comprende una disposición de bobinas de RF para aplicar campos magnéticos de RF a los huevos ubicados en la bandeja (16) y/o para detectar señales de RMN, integrando dicha disposición de bobinas de RF con dicha bandeja.
Aquí, la bandeja comprende preferiblemente una pluralidad de hoyuelos o bolsillos para recibir un huevo correspondiente, estando asociadas a cada uno de dichos hoyuelos o bolsillos un número de bobinas, en donde dicho número de bobinas por hoyuelo o bolsillo es al menos 2, preferiblemente al menos 3, y lo más preferiblemente al menos 4, y/o en donde al menos algunas de dichas bobinas están dispuestas verticalmente con respecto al plano principal de la bandeja, o con un ángulo de al menos 50°, preferiblemente de al menos 75° y la mayoría preferiblemente de al menos 80° con respecto al plano principal de la bandeja.
BREVE DESCRIPCIÓN DE LAS FIGURAS
Fig. 1 es una ilustración esquemática de un aparato para la determinación no invasiva automatizada del sexo de un embrión de un huevo de ave o la fertilidad de un huevo de ave.
Fig. 2Aes una vista en perspectiva de una disposición de bobinas de RF dispuesta en un plano paralelo y ligeramente por encima de una bandeja cargada de huevos.
Fig. 2B es una vista en perspectiva de una disposición de bobinas de RF dispuesta en un plano paralelo y ligeramente debajo de una bandeja cargada de huevos.
Fig. 2C es una vista en perspectiva de una disposición de bobinas de RF en el que las bobinas están dispuestas en planos verticales que se extienden entre filas de huevos en la bandeja, cuyas filas se extienden en paralelo con la dirección de transporte de la bandeja.
Fig. 3 muestra esquemáticamente una porción de una bandeja que incluye un hoyuelo para recibir un huevo y cuatro bobinas de RF integradas con la bandeja que rodea el huevo.
Fig. 4 muestra más detalles de las matrices de bobinas de las figuras 2A a C y 3.
Fig. 5 muestra seis imágenes de valores de parámetros de RMN tomadas por el aparato de RMN de Fig. 1
Fig. 6 muestra combinaciones de pares de parámetros T1, T2 y D en los diagramas e histogramas no pertenecientes a la diagonal para cada uno de los parámetros t1, T2 y D en los diagramas dispuestos a lo largo de la diagonal.
Fig. 7 muestra un histograma promediado para valores de T1 para embriones masculinos y femeninos. Fig. 8 muestra un histograma promediado para valores de T2 para embriones masculinos y femeninos. Fig. 9 muestra un histograma promediado para coeficientes de difusión para embriones masculinos y femeninos.
Fig.10 muestra un histograma promediado del coeficiente de difusión observado para una pluralidad de huevos fértiles (línea continua) y huevos infértiles (línea discontinua).
Fig. 11 es un diagrama de dispersión que muestra pares de valores de histograma de coeficiente de difusión a 1 mm/s y 2 mm/s para una pluralidad de huevos.
Fig. 12 muestra los espectros de RMN para huevos fértiles e infértiles.
Fig. 13 es una ilustración esquemática de un aparato simplificado para la determinación no invasiva no automatizada del sexo de un embrión de un huevo de ave la fertilidad de un huevo de ave.
Fig. 14 es una ilustración esquemática de una arquitectura de un clasificador de aprendizaje automatizado para la determinación del sexo del huevo basada en redes neuronales convolucionales.
DESCRIPCIÓN DE LA REALIZACIÓN PREFERENTE
Con el fin de promover una comprensión de los principios de la invención, se hará referencia a una realización preferente ilustrada en los dibujos, y se usará un lenguaje específico para describir la misma. Sin embargo, se entiende que no se pretende limitar el alcance de la invención, de modo que alteraciones y modificaciones adicionales en el aparato ilustrado y aplicaciones adicionales de los principios de la invención que se ilustran del mismo se contemplan como ocurriría normalmente ahora o en el futuro para un experto en la materia a la que se refiere la invención.
La Fig. 1 muestra una representación esquemática de un aparato 10 según una realización preferente de la invención. El aparato 10 comprende un dispositivo de transporte 12 para transportar una pluralidad de huevos 14 dispuestos en una configuración de matriz sobre una bandeja 16 al interior de un aparato de RMN 18 y desde el mismo hacia fuera, que está representado por la caja punteada en la Fig. 1. En la realización mostrada, el dispositivo de transporte 12 comprende una cinta transportadora 20 sobre la cual se pueden transportar las bandejas 16. El movimiento de la cinta transportadora 20 está controlado por un controlador de transporte 22 correspondiente.
El aparato de RMN 18 comprende una disposición de imanes 24 para proporcionar un campo magnético externo en la dirección z con el que puedan interactuar los espines nucleares. La dirección z del campo magnético coincide con la dirección de transporte de la cinta transportadora 20, pero esto no es crucial para la función del aparato 10. En la realización mostrada, la disposición de imanes 22 genera un campo magnético estático que tiene una intensidad de campo de 1T, pero la invención no se limita a esto. En su lugar se puede usar una amplia variedad de intensidades de campo magnético, y en realizaciones alternativas de la invención, incluso la intensidad de campo magnético de la tierra podría ser suficiente, como se demuestra en Stepisnik, J., Erzen, V. & Kos, M. NMR imaging in the earth’s magnetic field. Magn. Reson. Med.15, 386-391 1990, and Robinson, J. N. et al. Two-dimensional NMR spectroscopy in Earth’s magnetic field. J. Magn. Reson.182, 343-3472006.
Además, el aparato de RMN 18 comprende bobinas de gradiente 26 que se usan para generar campos de gradiente espacial que se usan para la codificación de imágenes, o en otras palabras, mediciones de RMN resueltas en el espacio, de una manera per se conocida por el experto en la materia, y descrita adicionalmente en Lauterbur, P. C. Image formation by induced local interactions. Examples employing nuclear magnetic resonance. Nature242, 190-191 1973.Además, las bobinas de gradiente 26 también se usan para aumentar la homogeneidad local del campo magnético externo creado por la disposición de imanes 24. Los campos de gradiente aplicados por las bobinas de gradiente 26 son controlados por un controlador de gradiente 28. En la realización mostrada, el controlador de gradiente 28 está optimizado para una cobertura eficiente del espacio de medición (el espacio k), con el fin de aumentar la velocidad de medición. En particular, el controlador de gradiente 28 está configurado preferiblemente para llevar a cabo imágenes de eco-planar. Para obtener detalles sobre la ecografía planar, se hace referencia a Stehling, M., Turner, R. & Mansfield, P. Echo-planar imaging: magnetic resonance imaging in a fraction of a second. Science 80-. .254, 43-501991, and Mansfield, P. & Maudsley, A. A. Planar spin imaging by NMR. J. Phys. C Solid State Phys.9, L409-L412 1976. Como alternativa, el controlador del controlador de gradiente 28 puede controlar las bobinas de gradiente 26 para realizar lecturas en espiral con un diseño de gradiente óptimo en el tiempo, como se describe en Hargreaves, B. A., Nishimura, D. G. & Conolly, S. M. Timeoptimal multidimensional gradient waveform design for rapid imaging. Magn. Reson. Med.51, 81-922004, que permite imágenes de RMN muy rápidas.
Se disponen múltiples bobinas de RF 30 para rodear la bandeja 16 cargada con huevos 14 en la cinta transportadora 20 cuando la bandeja 16 se transporta al aparato de RMN 18. Como apreciará el experto en la materia, las bobinas de RF 30 se utilizan para proporcionar pulsos RF que excitan los espines, y en particular, los espines de los átomos de hidrógeno dentro de los huevos 14. El controlador de Rf controla la sincronización, la forma y la fuerza de los pulsos. Una manipulación en serie de los pulsos y gradientes
de RF permite la modulación de la señal medida para una rápida codificación de imagen. Con el fin de permitir mediciones de alto rendimiento, se pueden implementar secuencias de pulso rápidas, como imágenes de disparo de ángulo bajo rápido o imágenes transitorias cuantitativas, como se describe con más detalle en los artículos Haase, A., Frahm, J., Matthaei, D., Hanicke, W. & Merboldt, K. D. FLASH imaging. Rapid NMR imaging using low flip-angle pulses. J. Magn. Reson.67, 258-266 1986) and Gómez, P. A. et al. Accelerated parameter mapping with compressed sensing: an alternative to MR Fingerprinting. Proc Intl Soc Mag Reson Med 2017, en coautoría de los presentes inventores e incluido aquí como referencia. Estas secuencias de pulso rápido están diseñadas para ser sensibles a diferentes parámetros relevantes empleados en la presente invención, en particular a la relajación y difusión de T1 y T2, pero también al contenido de agua-grasa o la transferencia de magnetización.
Además, el movimiento de precesión de los espines excitados en el campo magnético externo proporcionado por la disposición de imanes 24conlleva un flujo de corriente en las bobinas de RF 30 que puede ser detectado por un detector de RF 34. El detector de RF 34 traduce el flujo de corriente de las bobinas de RF 30 en una señal interpretable. Esto incluye conversión de analógico a digital, demodulación de señal y amplificación.
El aparato de RMN 18 comprende además un módulo de reconstrucción de imagen 36. En realizaciones preferentes, las mediciones de diferentes bobinas de RF 30 se combinarán usando técnicas de generación de imagen en paralelo, y se logra una reconstrucción de imagen mediante la aplicación de la transformada rápida de Fourier (FFT) en las mediciones adquiridas. Para obtener detalles sobre las técnicas de imágenes paralelas, se hace referencia a Pruessmann, K. P., Weiger, M., Scheidegger, M. B. & Boesiger, P. SENSE: sensitivity encoding for fast MRI. Magn. Reson. Med.42, 952-962 1999, and Uecker, M. et al. ESPIRiT - An eigenvalue approach to autocalibrating parallel MRI: Where SENSE meets GRAPPA. Magn. Reson. Med.71, 990-10012014.
Cuando se emplea un muestreo no cartesiano, la FFT no uniforme como se describe en Fessler, J. A. and Sutton, B. Nonuniform Fast Fourier Transforms Using Min-Max Interpolation. IEEE Trans. Signal Process.
51, 560-574 2003, puede ser empleada. En la realización mostrada, el módulo de reconstrucción de imagen 36 implementa algoritmos de reconstrucción avanzados, tales como recuperación de matriz de bajo rango o algoritmos iterativos. El módulo de reconstrucción de imagen 36 está configurado para procesar datos de diferente dimensionalidad, concretamente señales de RMN 1D o 2D, imágenes 2D, volúmenes 3D y series temporales 4D.
Los datos procesados por el módulo de reconstrucción de imagen 36 se transmiten a un módulo de clasificación de huevos 38. En la realización mostrada, el módulo de clasificación de huevos 38 tiene dos propósitos, segmentación y clasificación. En el dispositivo de alto rendimiento, el módulo de clasificación de huevos 38 primero segmenta las imágenes entrantes en porciones de imagen correspondientes a huevos individuales 14. Posteriormente, la porción de imagen correspondiente a cada huevo individual 14 se clasifica de acuerdo con su sexo de una manera que se describirá con más detalle a continuación.
El resultado de la clasificación del huevo se proporciona a un dispositivo de ordenación de huevos 40. En la realización mostrada, el resultado de la clasificación se proporciona al dispositivo de ordenación de huevos 40 en forma de una matriz que contiene los sexos codificados de los huevos 14 sobre una bandeja 16 dada. En base a esta información, el dispositivo de ordenación de huevos 40 puede descartar los huevos 14 qe hayan sido determinados como que incluyen embriones masculinos, o puede reorganizar los huevos 14 en la bandeja 16 según el sexo. Como se muestra esquemáticamente en la Fig. 1, el dispositivo de ordenación de huevos 40 tiene tantas copas 42 como huevos hay 14 en la bandeja 16, en donde dichas copas 42 están conectadas a un dispositivo de vacío (no mostrado). Cuando una copa 42 se acerca al huevo 14 correspondiente, el huevo 14 será atraído y fijado a la copa 42 por succión de vacío, de modo que pueda recogerse con seguridad y depositarse cuidadosamente en una ubicación diferente.
Finalmente, se proporciona un controlador central 44, que está conectado para la comunicación de datos con cada uno de los componentes antes mencionados involucrados en la medición de RMN, la clasificación de huevos de reconstrucción de imágenes y el proceso de clasificación de huevos, a través de los canales de datos 45 correspondientes.
El aparato de RMN 18 que está diseñado para la clasificación de huevos en un entorno industrial aborda una geometría de exploración bien definida. Los huevos 14 se introducen en el aparato de RMN 18 dispuesto en una configuración de matriz con M filas y N columnas sobre una bandeja 16 correspondiente, donde las columnas están dispuestas paralelas a la dirección de transporte de la cinta transportadora 20 de la Fig. 1. Diversas realizaciones de la invención emplean una disposición 30 de bobinas de RF 30a que está diseñada para maximizar la relación señal/ruido y minimizar el tiempo de adquisición, que se describirá a continuación con referencia a las figuras 2 a 4. Dado que la amplitud de la señal de radiofrecuencia decae con el cuadrado del distancia de la fuente emisora, los diseños preferidos
aspiran a colocar las bobinas de RF 30a lo más cerca posible de los huevos 14. Además, tener una disposición 30 de bobinas 30a crea redundancia espacial en el campo receptor que puede explotarse para reducir el tiempo de exploración.
Las figuras 2A a 2C muestran tres disposiciones de bobinas de RF 30 diferentes que son particularmente adecuadas para establecer relaciones señal/ruido preferibles y tiempos de adquisición mínimos. En cada una de las figuras 2A a 2C, se muestra esquemáticamente una disposición 30 de bobinas RF 30a junto con la bandeja 16 cargada con huevos 14. Se muestra que cada bobina RF individual 30a de la disposición de bobinas RF 30 tiene una geometría de bucle para simplificar, pero también se pueden implementar diferentes geometrías. En la realización de Fig. 2A, las bobinas de Rf 30a individuales están dispuestas en un plano paralelo y ligeramente por encima de la bandeja 16. El número de bobinas de RF 30a individuales puede corresponder, aunque no necesariamente, al número de huevos 14. Preferiblemente, la relación entre el número de bobinas de RF 30a y el número de huevos 14 dispuestos en la bandeja 16 está entre 1:1 a 1:25, preferiblemente entre 1:1 a 1:16, y lo más preferiblemente entre 1:1 a 1:5 Cada una de las bobinas de RF individuales 30a está conectada a través de una línea de transmisión correspondiente 30b con el controlador de RF 32 y con el detector de RF 34. Mientras que en las figuras simplificadas todas las líneas de transmisión 30b se muestran como un solo cable, debe ser entendido que este cable incluye una pluralidad de cables individuales de modo que cada bobina de RF 30a de la disposición de bobinas de RF 30 puede ser controlada individualmente por el controlador de RF 32 y leída por el detector de RF 34. La flecha 46 indica la dirección de la dirección de transporte de la bandeja 16 por el dispositivo de transporte 12.
Fig. 2B muestra una disposición de bobinas de RF 30 similar al de Fig. 2A, que sin embargo se coloca por debajo de la bandeja 16.
Fig. 2C muestra una disposición de bobinas de RF 30 con bobinas de RF 30a que están dispuestas verticalmente y colocadas al lado de los huevos 14, en lugar de por encima o por debajo, como es el caso en las figuras 2A y 2B. Para no interferir con los huevos 14 que se mueven sobre la cinta transportadora 20, las bobinas de RF 30a de la disposición de bobinas de Rf 30 están dispuestas en planos verticales que se extienden entre las filas de huevos 14 en la bandeja 16, cuyas filas se extienden en paralelo con el dirección de transporte de la bandeja 16 por el dispositivo de transporte 12 como se indica mediante la flecha 46.
Como el embrión siempre flotará hasta la parte superior del huevo 14, el área de interés se encuentra principalmente en la mitad superior del mismo. Esto implica que las configuraciones de la Fig. 2A (plano superior de la disposición de bobinas de RF 30) y la Fig. 2C (bobinas de RF 30a dispuestas en planos longitudinales y verticales) permiten distancias más pequeñas entre las bobinas de RF 30a de la disposición de bobinas de RF 30 y las regiones de interés en los huevos 14 que la configuración de Fig. 2B, y por lo tanto permiten una relación señal/ruido favorable. Sin embargo, en diversas realizaciones, la disposición de bobinas de RF 30 dispuesta en un plano por debajo de la bandeja 16 como se muestra en Fig. 2B podría usarse en lugar de, o en combinación con cualquiera de las configuraciones de las figuras 2A y 2C. De hecho, dos o las tres configuraciones de las figuras 2A, 2B y 2C se pueden combinar en el aparato de RMN 18.
En una realización alternativa, las bobinas de RF 30a están unidas o integradas en la bandeja 16, como se muestra en Fig. 3. Fig. 3 muestra esquemáticamente una porción de la bandeja 16, en la que se forma un hoyuelo 48 para recibir un huevo 14. Unidas o integradas con la bandeja 16 hay cuatro bobinas de RF 30a que rodean el huevo 14. Generalmente, se pueden proporcionar una o más bobinas de RF 30 a por hoyuelo 48. Otras realizaciones particularmente favorables proporcionan tres, cinco, seis u ocho bobinas de RF 30a por hoyuelo 48. La unión o integración de las bobinas de RF 30a con la bandeja 16 permite una integración más densa de las bobinas de RF 30a y distancias menores respecto a los huevos correspondientes 14, sin interferir con el transporte de los huevos 14 en la bandeja 16, lo que permite relaciones de señal a ruido particularmente altas y un tiempo de adquisición minimizado. Sin embargo, en esta realización, los huevos 14 deben transferirse desde las bandejas de transporte (no mostradas) a las bandejas 16 específicas de RMN, y más tarde a las bandejas de incubación (no mostradas).
Fig. 4 muestra más detalles de las matrices de bobinas de RF 30, que pueden aplicarse independientemente de la disposición geométrica particular de las bobinas de RF 30a en la disposición de bobinas de RF 30 y, por lo tanto, pueden aplicarse a cualquiera de las realizaciones mostradas en las figuras 2A, 2B. 2C y 3. Como se muestra esquemáticamente en la Fig. 4, cada una de las bobinas de RF 30a puede comprender una sección de antena 50, que en las realizaciones mostradas tiene la forma de un bucle circular. Sin embargo, también pueden emplearse secciones de antena 50 con diferentes geometrías, tales como bobinas de Helmholtz, bobinas solenoidales, bobinas de silla de montar o bobinas de jaula.
Además, cada bobina de RF 30a comprende un condensador de sintonización 52 para reducir la inductancia mutua y sintonizar la frecuencia central, y un preamplificador 54 que mejora la sintonización, la adaptación y el desacoplamiento. Además, cada bobina de r F 30 a está conectada a través de líneas de transmisión 56 con un espectrómetro multicanal de RMN 58, que combina las funcionalidades del controlador de RF 32 y el detector de RF 34 que se muestra en Fig. 1.
Obviamente, el tiempo de medición de RMN resulta crítico para un dispositivo de alto rendimiento. Las realizaciones preferentes de la invención, por lo tanto, están optimizadas para la adquisición y reconstrucción a alta velocidad. En particular, las matrices de bobinas de RF 30 descritas anteriormente son adecuadas para la generación de imágenes en paralelo, para así adquirir menos información por bobina de RF 30a y combinarla usando redundancia espacial, para acelerar la medición.
Las realizaciones preferentes de la invención emplean el denominado método SENSE descrito en Pruessmann, K. P., Weiger, M., Scheidegger, M. B. & Boesiger, P. SENSE: sensitivity encoding for fast MRI. Magn. Reson. Med.42, 952-962 1999, que utiliza la redundancia espacial para adquirir una submuestra del espacio k y reconstruir imágenes sin repeticiones (“non-aliased”). Un método relacionado que también es aplicable es el llamado método de Adquisición Parcialmente Automática Generalizada (GRAPPA), como se describe en Griswold, M. A. et al, Generalized auto calibrating partially parallel acquisitions (GRAPPA), Magn. Res. Med 47, 1202-12102002.
Para aumentar aún más el rendimiento, se emplean tecnologías multibanda que utilizan varias frecuencias de excitación para permitir la adquisición paralela en diferentes ubicaciones espaciales a lo largo del orificio 42 de la disposición del imán, reduciendo así también el tiempo de exploración total. Una explicación más detallada de la tecnología multibanda se da en Feinberg, D. A. et al.Multiplexed echo planar imaging for sub-second whole brain fmri and fast diffusion imaging. PLoS One5, 2010, que se incluye aquí como referencia.
Además de estas técnicas, en las realizaciones preferentes se emplea una denominada detección comprimida, que reduce el número de puntos de medición necesarios para reconstruir una imagen, introduciendo así un nuevo factor de aceleración. Se da una determinación de la detección comprimida en Lustig, M., Donoho, D. & Pauly, J. M. Sparse MRI: The application of compressed sensing for rapid MR imaging. Magn. Reson. Med.58, 1182-11952007.
Además, en realizaciones preferentes, la formación de imágenes se lleva a cabo en el estado transitorio, que puede llevarse a cabo de una manera ultrarrápida y usar parámetros cuantitativos, como se describe en los trabajos en coautoría de los 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. Otra forma adecuada de imágenes transitorias se describe en Ma, D. et al. Magnetic resonance fingerprinting. Nature495, 187-1922013.
Las configuraciones de la matriz de la bobina de RF y los métodos de reconstrucción de imagen introducidos anteriormente permiten obtener imágenes rápidamente del espacio 3D que contiene la matriz de huevos 14 NxM. Dependiendo de la geometría de la bobina de RF y del método de procesamiento elegido, en algunas realizaciones se reconstruirá una imagen por huevo 14, mientras que en otras realizaciones, se reconstruirá una única imagen por bandeja 16. En el caso de una sola imagen por huevo 14, cada imagen puede clasificarse individualmente. En el caso de una imagen por bandeja 16, los huevos individuales 14 en la imagen primero deben segmentarse antes de la clasificación. Existen múltiples técnicas de segmentación que pueden emplearse; pero, dada la simplicidad de la geometría de las bandejas 16, la solución preferida es predefinir una cuadrícula correspondiente a cada hoyuelo 48 con un solo huevo 14.
La Fig. 5 muestra seis imágenes de valores de parámetro de RMN tomadas por el aparato de RMN 18 de la Fig. 1. La fila superior de imágenes corresponde a un huevo que incluye un embrión femenino de siete días, mientras que la fila inferior de imágenes corresponde a un huevo que incluye un embrión masculino de siete días. Como se explicó en la parte introductoria de la solicitud, una "imagen de valores de parámetro" de una región del huevo 14 como se emplea aquí significa un conjunto de valores de parámetros que están asociados con las regiones espaciales correspondientes dentro del huevo 14 que corresponden a píxeles o vóxeles de la imagen. Cada una de las imágenes que se muestran en la Fig. 5 consta de 64 x 64 voxels de una sección de un voxel de espesor a través del huevo, a la que corresponde el valor del parámetro correspondiente T1 (columna izquierda), T2 (columna central) o coeficiente de difusión D (columna derecha) asociado y mostrado en escala de grises en Fig. 5.
Aquí, T1 denota de la manera habitual la constante de tiempo para el proceso físico responsable de la relajación de los componentes del vector de magnetización de espín nuclear paralelo al campo magnético externo generado por la disposición de imanes 24, que también se conoce en la técnica como “tiempo de relajación de la red de espines” o "longitudinal”. Por lo tanto, es el tiempo que tarda la magnetización
longitudinal en recuperar aproximadamente el 63% 1-(1/e) de su valor inicial después de que un pulso de radiofrecuencia de 90° lo voltee al plano transversal magnético.
T2 denota el tiempo de relajación "transversal" o "spin-spin" y representa la constante de desintegración para el componente del vector de magnetización de espín nuclear perpendicular al campo magnético externo generado por la disposición de imanes 24.
D es el coeficiente de auto-difusión molecular (también denominado "constante de difusión") de las moléculas de agua que fue definido por A. Einstein in 1905 (A. Eistein in “Ann Physik”, 17, p 5491905). A diferencia de la ley de Fick, no se requiere "gradiente" para su definición. En cambio, uno puede pensar en un cierto pequeño volumen de moléculas de agua dentro de un gran volumen. Después de esperar un cierto intervalo de tiempo t, varias moléculas de agua se "difundirán" fuera de este volumen debido al movimiento browniano. El coeficiente de difusión describe cuán rápido es este proceso. La ecuación de Einstein describe la distancia X para las moléculas de agua que viajan por movimiento browniano.
X2 = 2 D t
En RMN, este proceso se puede medir utilizando la señal de RMN del agua y la aplicación de un gradiente de campo magnético. El coeficiente de difusión D del agua se modifica por varios detalles anatómicos. Por ejemplo, si hay una barrera de difusión, como una membrana celular, D disminuirá. Esto puede suceder cuando un embrión en un huevo se desarrolla con estructuras biológicas circundantes como los vasos sanguíneos o similares.
Por lo tanto, cada uno de los vóxeles de 64x64 tiene tres valores de parámetros T1, T2 y D asociados, y las combinaciones de pares de parámetros asociados con el mismo vóxel se ilustran en los diagramas fuera de diagonal en la Fig. 6. Por ejemplo, en el diagrama inferior de la izquierda, se indican los pares T1/D para cada vóxel en un diagrama de dispersión, donde los pares T1/D correspondientes a un huevo que incluye un embrión masculino están representados por una cruz y los pares T1/D correspondientes a un huevo que incluye un embrión femenino están representados por un círculo. Téngase en cuenta que la información espacial, es decir, a qué ubicación dentro del huevo pertenece un par T1/D no se puede ver en este diagrama, pero por supuesto está disponible. Del mismo modo, el diagrama de la fila central de columna izquierda muestra pares T1/T2, y el diagrama en la columna central, tercera fila muestra pares T2/D, igualmente representados por cruces y círculos para los huevos que contienen embriones masculinos y femeninos, respectivamente.
Los otros tres diagramas fuera de diagonal muestran las mismas combinaciones de parámetros, pero con el papel de los ejes horizontal y vertical intercambiados, y presentados de manera que el sexo está representado por el color negro y gris, lo que permite distinguir mejor las áreas asociadas con los embriones masculinos/femeninos a simple vista.
Los diagramas diagonales muestran histogramas, donde para cada uno de los intervalosde clase de parámetros respectivos, se cuenta el número de vóxeles que caen dentro del intervalo de clase. Como se puede ver en los tres diagramas diagonales, para cada uno de los tres parámetros T1, T2 y D, los histogramas obtenidos para los huevos que contienen embriones masculinos y femeninos difieren. Mientras que los diagramas diagonales en la Fig. 6 representan los histogramas para medir un solo huevo de cada sexo solamente, al promediar histogramas para una pluralidad de huevos, como se muestra en las Fig. 7, 8 y 9, se puede ver que las desviaciones entre los histogramas son de hecho sistemáticas. La Fig. 7 muestra un histograma promediado para los valores T1 encontrados en imágenes T1 de 14 huevos femeninos y 12 masculinos. Para ambos sexos, se pueden observar tres picos en T1, donde los dos picos para tiempos T1 más bajos son prácticamente idénticos para ambos sexos. Sin embargo, los huevos que contienen embriones masculinos muestran un pico T1 alto a aproximadamente 2250 ms, mientras que los huevos que contienen embriones femeninos muestran un pico T1 alto a tiempos T1 más largos de aproximadamente 2750 ps. Los vóxeles de la imagen del parámetro T1 que exhiben estos valores largos de T1 son precisamente los vóxeles ubicados en la parte superior del huevo, donde se encuentra el embrión. Esto también se puede ver al menos cualitativamente en la Fig. 5, donde los huevos se muestran en una configuración horizontal y donde los tiempos T1 elevados se encuentran en la parte superior de cada huevo. Por lo tanto, la diferencia relacionada con el sexo en el pico elevado T1 observado en regiones cercanas al embrión se puede utilizar para determinar el sexo del embrión.
La Fig. 8 es similar a la Fig. 7, excepto que muestra un histograma promediado para los valores de T2. El histograma muestra dos picos T2, donde el pico T2 alto corresponde a vóxeles en la parte superior del huevo y, por lo tanto, cerca del embrión. Para los huevos con embrión masculino, el pico elevado T2 es nuevamente más bajo y se encuentra a unos 150 ms, mientras que el pico elevado T2 para huevos con embrión femenino es de aproximadamente 200 ms. Sin embargo, la diferencia entre los histogramas T2 no es tan pronunciada como en el caso de T1.
Finalmente, la Fig. 9 muestra un histograma similar al de las Fig. 7 y 8 para el coeficiente de difusión, que muestra tres picos. Nuevamente, el pico de alta difusividad corresponde a vóxeles cercanos a la ubicación del embrión, y se determina que su ubicación depende del sexo. En particular, se observa que el pico de alta difusividad para los huevos que contienen embriones masculinos es de alrededor de 1.75 mm2/s, mientras que se encuentra en alrededor de 2 mirF/s para los huevos que contienen embriones femeninos. Dado que cada uno de los parámetros T1, T2 y D son sensibles al sexo, el módulo de clasificación de huevos 38 puede utilizarlos para determinar el sexo del embrión contenido dentro del huevo. Como se indicó anteriormente, para cada uno de estos parámetros, se puede determinar un valor de parámetro representativo para una región de interés dentro del huevo, es decir, en o cerca de la ubicación del embrión, y luego se puede usar en la determinación del sexo por parte del módulo de clasificación 38. Sin embargo, en realizaciones preferentes, el módulo de clasificación 38 recibe imágenes de valores de parámetro completos, tales como las imágenes mostradas en Fig. 5 y basa su determinación en ellas. Para este propósito, el módulo de clasificación 38 es preferiblemente un módulo de aprendizaje automatizado (“machine learning”). Un módulo de aprendizaje automatizado es capaz de aprender de los datos y luego hacer predicciones o decisiones basadas en datos mediante la construcción de un modelo a partir de datos de entrada de muestra. Por ejemplo, como se sugiere en la Fig. 6, en el espacio de parámetros de cinco dimensiones abarcado por los parámetros T1, T2, D, coordenada x y coordenada y, obviamente hay distinciones entre los huevos embrionarios machos y hembras, y el patrón de los algoritmos de aprendizaje automatizado puede reconocer muy bien esta diferencia en este espacio de parámetros.
En el aprendizaje automatizado y en estadística, “clasificación” es el problema de identificar a cuál de un conjunto de categorías, en este caso masculino y femenino, pertenece una nueva observación, sobre la base de un conjunto de datos de observaciones de capacitación cuya pertenencia a la categoría es conocida. Un "clasificador" es un algoritmo o una máquina que implementa la clasificación.
De acuerdo con ello, en realizaciones preferentes, el módulo de clasificación 38 es un módulo de aprendizaje automatizado. Preferiblemente, los valores de los parámetros de RMN, o los parámetros derivados de los mismos, forman valores de características presentados al módulo de aprendizaje automatizado como un vector de características (“feature vector”).
En realizaciones preferentes, el módulo de clasificación 38 está configurado para determinar la predicción del sexo del embrión usando un clasificador lineal. Los clasificadores lineales clasifican los objetos tomando una decisión de clasificación basada en el valor de una combinación lineal de los valores de las características. Los clasificadores lineales adecuados pueden basarse en una o más regresiones lineales de mínimos cuadrados, vecinos más cercanos, regresión logística e hiperplanos de separación. La teoría de los clasificadores lineales es conocida por el experto en la materia en la técnica del aprendizaje automatizado. Para una explicación detallada de los clasificadores lineales mencionados anteriormente, se hace referencia a Hastie, T., Tibshirani, R. & Friedman, J. The Elements of Statistical Learning. Elementsl, (Springer, 2009). Otro clasificador lineal adecuado es el denominado algoritmo perceptrón, que es un algoritmo para el aprendizaje supervisado de clasificadores binarios. Una de las ventajas del algoritmo perceptrón es que permite el aprendizaje en línea, ya que procesa los elementos del conjunto de entrenamiento de uno en uno. Para más detalles sobre el algoritmo perceptrón, se hace referencia a Rosenblatt, F. The perceptron: A probabilistic model for information storage and organization in the brain. Psychol. Rev.65, 386-4081958.
En realizaciones alternativas, el módulo de clasificación 38 está configurado para determinar la predicción del sexo del embrión usando un clasificador no lineal. Para la determinación del sexo embrionario utilizando los parámetros de RMN anteriores como valores característicos se pueden emplear ventajosamente clasificadores no lineales basados en polinomios por partes, splines, kernel smoothing, métodos basados en árboles, máquinas de vectores de soporte, métodos de refuerzo (“boosting”), métodos aditivos y de conjuntos “additive and ensemble”) o modelos gráficos. Nuevamente, una explicación detallada de estos clasificadores no lineales puede obtenerse del trabajo anterior de Hastie, que se incorpora aquí como referencia. Un clasificador no lineal particularmente adecuado se basa en el método de bosque aleatorio (“random forest”), que opera construyendo una multitud de árboles de decisión en el momento del entrenamiento y generando la clase que es el llamado modo de las clases de árboles de decisión. Para más detalles sobre el método forestal aleatorio, se hace referencia a Criminisi, A. Decision Forests: A Unified Framework for Classification, Regression, Density Estimation, Manifold Learning and Semi-Supervised Learning. Foundations and Trends® in Computer Graphics and Vision7, 81-2272011.
En realizaciones aún alternativas, el módulo de clasificación 38 está configurado para determinar la predicción del sexo del embrión usando un algoritmo de aprendizaje profundo (“deep learning”). El
aprendizaje profundo es parte de la amplia familia de métodos de aprendizaje automatizado a los que se hace referencia en la presente divulgación, y se basa en representaciones de datos de aprendizaje, en contraste con algoritmos específicos de tareas. Para una revisión de algoritmos adecuados de aprendizaje profundo, se hace referencia a Y., L., Y., B. & G., H. Deep learning. Nature521, 436-444 2015. Los algoritmos de aprendizaje profundo particularmente adecuados para los fines de la presente invención se basan en redes neuronales convolucionales, como se describe en Le Cun, Y. et al.Handwritten Digit Recognition with a Back-Propagation Network. Adv. Neural Inf. Process. Syst. 396 404 1990. doi:10.1111/dsu.12130, basado en redes neuronales recurrentes, como se describe en in Donahue, J. et al.Long-term Recurrent Convolutional Networks for Visual Recognition and Description. Cvpr07-12-June, 2625-2634 2015,o en redes de memoria de corto plazo largo, como se describe en Hochreiter, S. & Schmidhuber, J. Long Short-Term Memory. Neural Comput.9, 1735-17801997.
La implementación actualmente preferida de un clasificador de aprendizaje automatizado para el sexado de huevos se basa en redes neuronales convolucionales (CNN). La Fig. 14 muestra esquemáticamente una implementación general de la arquitectura. Las imágenes de valores de parámetro C de píxeles MxN se muestran a la CNN. Ésta aplica filtros convolucionales C1 MxN, agrupación (“pooling”) y activación a los datos de entrada, lo que da como resultado una primera capa de tamaño M1xN1 con C1canales. Este proceso se repite p veces hasta que se extraen las características de interés de los mapas de parámetros. Entonces, las q capas neurales de L canales se interconectan para dar una probabilidad final para masculino o femenino.
Las implementaciones de estos CNN pueden incluir variaciones de los filtros convolutantes, la agrupación (“pooling”), la activación no lineal o la arquitectura. Los ejemplos son, entre otros, 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), Overfeat (Sermanet, P. et al. OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks. arXiv Prepr. arXiv 1312.62292013. doi:10.1109/CVPR.2015.7299176), VGG (Simonyan, K. & Zisserman, A. Very Deep Convolutional Networks for Large-Scale Image Recognition. Int. Conf. Learn. Represent. 1-14 2015. doi:10.1016/j.infsof.2008.09.005), Network-in-network (NiN) (Lin, M., Chen, Q. & Yan, S. Network In Network. arXiv Prepr. 102013. doi:10.1109/ASRU.2015.7404828), GoogLeNet and Inception (Szegedy, C. et al. Going deeper with convolutions. in Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition 07-12-June, 1-92015), ResNet (He, K., Zhang, X., Ren, S. & Sun, J. Deep Residual Learning for Image Recognition. in 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 770-778 2016. doi:10.1109/CVPR.2016.90), SqueezeNet (Iandola, F. N. et al. SQUEEZENET:ALEXNET-LEVEL ACCURACY WITH 50XFEWERPARAMETERSAND <0.5MB MODEL SIZE. arXiv 1-52016. doi.10.1007/978-3-319-24553-9), and ENet (Paszke, A , Chaurasia, A , Kim, S. & Culurciello, E. ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation. arXiv 1-102016).
De acuerdo con el presente entendimiento, los tres parámetros de RMN T1, T2 y D son los más relevantes para la predicción del sexo, y los resultados más fiables se pueden obtener si el módulo de clasificación 38 basa su predicción en los tres parámetros, en particular las imágenes de valores de parámetro. Sin embargo, la invención no se limita a esto. En algunas realizaciones, se emplea un conjunto de dos o más parámetros de RMN, de los cuales al menos uno se selecciona de entre dicho grupo que consiste en un tiempo de relajación T1, un tiempo de relajación T2 y un coeficiente de difusión. En tales realizaciones, el conjunto de parámetros de RMN puede comprender además uno o más de los siguientes parámetros: un tiempo de relajación T2*, un tiempo de relajación Tp y una densidad de esp'n asociada con uno o más de los núcleos 1H, 13C, 23Na, y 31P.
Además, o alternativamente, el conjunto de parámetros de RMN puede comprender además una o más de una señal de cambio químico de metabolitos, en particular agua, lípidos, aminoácidos, ácidos nucleicos u hormonas; una señal de transferencia selectiva de cambio químico; y señales de RMN de coherencia cuántica cero o de coherencia cuántica múltiple.
En lugar de distinguir entre el sexo de los embriones en un huevo 14, el aparato 10 de la Fig. 1 se puede operar para determinar la fertilidad de un huevo 14, como se explicará a continuación con referencia a las Fig. 10 a 12.
La Fig. 10 muestra un histograma promediado del coeficiente de difusión observado en una pluralidad de huevos fértiles (línea continua) y huevos infértiles (línea discontinua). Más precisamente, se han determinado los coeficientes de difusión para cada uno de los vóxeles de una imagen de coeficiente de difusión de todo el volumen de una pluralidad de huevos. Como se ve en la Fig. 10, el histograma tiene valores muy similares alrededor de 2 mm2/s (correspondientes a la albúmina), pero los coeficientes de difusión alrededor de 1 mirP/s (hallados en regiones dentro de la yema) se encuentran con mayor frecuencia en huevos infértiles que huevos infértiles En consecuencia, esta diferencia puede tomarse como criterio para determinar la fertilidad.
La Fig. 11 muestra un diagrama de dispersión de pares de valores de histograma de coeficiente de difusión a 1 mm2/s y 2 mm2/s, para nueve huevos fértiles y diez huevos infértiles. Como se puede ver en la Fig. 11, en el diagrama de dispersión simple, todos los huevos de cada especie menos uno se encuentraal lado correspondiente de una línea de separación discontinua, lo que denota una relación de los valores del histograma a 2 y 1 mirf/s, en dondeesta ratio generalmente se excede para los huevos fértiles y no se alcanza para los huevos infértiles.
Fig. 12 muestra un espectro de RMN de la yema para huevos fértiles e infértiles. El espectro muestra un pico a aproximadamente 1 ppm correspondiente a la grasa y un pico a aproximadamente 4,7 ppm correspondiente al agua. Los inventores han descubierto que la proporción entre la altura del pico de grasa y la altura del pico de agua es mayor para los huevos infértiles que para los huevos fértiles. En consecuencia, en base a esta relación, también se puede hacer la distinción entre huevos fértiles e infértiles.
En realizaciones preferentes, los dos indicadores de fertilidad, es decir, la forma del histograma del coeficiente de difusión y la proporción de los picos de grasa y agua, se pueden combinar para aumentar la fiabilidad de la predicción. Téngase en cuenta que la comparación de los valores del histograma a 1 mm2/s y 2 mm2/s es solo una forma de explotar la forma característica del histograma del coeficiente de difusión. En realizaciones preferentes, el histograma de coeficiente de difusión completo puede presentarse a un algoritmo de aprendizaje automatizado, que aprende automáticamente a distinguir entre histogramas de coeficiente de difusión correspondientes a huevos fértiles e infértiles. La Fig. 11 indica que hay suficiente información relacionada con la fertilidad en el histograma de difusividad para hacer la distinción correcta, que luego puede ser debidamente tenida en cuenta por un módulo de aprendizaje automatizado, como un módulo 38 de clasificación de huevos configurado adecuadamente.
Del mismo modo, mientras que la proporción de los picos de grasa y agua en el espectro de la Fig. 12 es solo una forma de distinguir la fertilidad del huevo en función del espectro, en realizaciones alternativas, todo el espectro podría presentarse a un módulo de aprendizaje automatizado, como un módulo 38 de clasificación de huevos configurado adecuadamente, que después de un entrenamiento suficiente podría distinguir entre huevos fértiles e infértiles en función del espectro.
Obsérvese además que la distinción entre huevos 14 fértiles e infértiles puede llevarse a cabo con el mismo aparato 10 que se muestra en Fig. 1, donde la única diferencia es el protocolo de medición de RMN, que es proporcionado por el controlador central 44 a los componentes del aparato de RMN 18, como para medir los parámetros de interés, y el algoritmo empleado por el módulo de clasificación de huevos 38.
La Fig. 13 muestra un aparato simplificado 10' que tiene la misma funcionalidad que el aparato 10 de Fig. 1, excepto que no está diseñado para la determinación automatizada de alto rendimiento de sexo o fertilidad. El aparato 10' comprende un aparato de RMN 18, que básicamente incluye el mismo tipo de componentes que el aparato 10 de Fig. 1, pero está diseñado para medir un solo huevo. El aparato simplificado de la Fig. 13 no incluye un dispositivo de transporte 12, y asimismo carece de un dispositivo de ordenación de huevos 40. En cambio, los datos de salida del módulo de clasificación de huevos 38 se presentan a una interfaz de usuario 60. Esta versión simplificada puede usarse para análisis a escala de laboratorio, en lugar de análisis industrial. Si bien las realizaciones preferentes de la invención aspiran a métodos y aparatos automatizados de alto rendimiento que incluyen un dispositivo de transporte 12 y un dispositivo de ordenación de huevos 40, y aspiran a llevar a cabo mediciones en una pluralidad de huevos 14 en paralelo, la invención no se limita a esto, y a todos de las realizaciones descritas en el presente documento puede aplicarse igualmente a aparatos que prescindan del dispositivo de transporte 12 y del dispositivo de ordenación de huevos 40.
Aunque una realización ejemplar preferida se muestra y se especifica en detalle en los dibujos y la especificación anterior, estos deben verse como puramente ejemplares y no como limitativos de la invención. A este respecto, se observa que solo se muestra y especifica la realización ejemplar preferida, y todas las variaciones y modificaciones deben queda protegidas de manera presente o futura dentro del alcance de protección de la invención como se define en las reivindicaciones.
LISTA DE REFERENCIAS
10 aparatos para la determinación no invasiva del sexo de un embrión o la fertilidad de un huevo 12 dispositivo de transporte
14 huevo
16 bandeja
18 aparatos de RMN
20 cintas transportadoras
controlador de transporte
disposición de imanes
bobinas de gradiente
controlador de gradiente
disposición de bobinas de RF
a bobina de RF
controlador de RF
detector de RF
módulo de reconstrucción de imágenes
módulo de clasificación de huevos
dispositivo de ordenación de huevos
ventosa del dispositivo de ordenación de huevos 40 controlador central
canal de datos
dirección de transporte
hoyuelos en la bandeja 16
secciónde antena
condensador de sintonización
preamplificador
líneas de transmisión
espectrómetro de RMN
interfaz de usuario
Claims (15)
- REIVINDICACIONESi. Método para determinar de manera automatizada no invasiva el sexo de un embrión deun huevo de ave (14) que comprende las siguientes etapas:transportar una pluralidad de huevos de ave (14) introduciéndolos secuencialmente o en paralelo en un aparato de RMN (18),someter los huevos de ave (14) a una medición de RMN y determinar, para cada uno de dichos huevos (14), una o más imágenes de valores de parámetros de RMN de una región de dicho huevo, estando los valores de parámetros de RMN asociados a píxeles o vóxeles correspondientes de la imagen, en el que dichos uno o más parámetros de RMN se seleccionan de entre el grupo consistente en un tiempo de relajación T1, un tiempo de relajación T2 y un coeficiente de difusión, transmitir dichas una o más imágenes de valores de parámetros de RMN, o imágenes de parámetros derivados de los mismos,a un módulo de clasificación (38), estando dicho módulo de clasificación (38) configurado para determinar, en base a dichas una o más imágenes de valores de parámetros de RMN o a dichasimágenes de parámetros derivados de los mismos, una predicción del sexo del embrión del huevo asociado (14), ytransportar dicha pluralidad de huevos de ave (14) extrayéndolos del aparato de RMN (18) y clasificar los huevos (14) de acuerdo con la predicción de sexo proporcionada por dicho módulo de clasificación (38).
- 2. Método según la reivindicación 1 en el que dichos uno o más parámetros de RMN comprenden un conjunto de dos o más parámetros de RMN, de los cuales al menos uno se selecciona de entre dicho grupo que consiste en un tiempo de relajación T1, un tiempo de relajación T2 y un coeficiente de difusión,en el que preferentemente dicho conjunto de parámetros de RMN comprende además uno o más de los siguientes parámetros: un tiempo de relajación T2*, un tiempo de relajación yTdna densidad de espín asociada con uno o más de los núcleos 1H, 13C, 23Na y 31P, y/oen el que preferentemente dicho conjunto de parámetros de RMN comprende además uno o más de los siguientes: una señal de cambio químico de metabolitos, en particular de agua, lípidos, aminoácidos, ácidos nucleicos u hormonas; una señal de transferencia selectiva de cambio químico; y señales de RMN de coherencia cuántica cero o de coherencia cuántica múltiple.
- 3. Método según alguna de las reivindicaciones anteriores, en el que el módulo de clasificación (38) es un módulo de aprendizaje automatizado (machine learning).
- 4. Método según alguna de las reivindicaciones anteriores, en el que el módulo de clasificación está configurado para determinar la predicción del sexo del embrión utilizando un clasificador lineal, en particular un clasificador lineal basado en uno o más de los siguientes: regresión lineal de mínimos cuadrados, vecinos más cercanos, regresión logística, separación de hiperplanos o perceptrones, oen el que dicho módulo de clasificación (38) está configurado para determinar la predicción del sexo del embrión usando un clasificador no lineal, en particular un clasificador no lineal basado en polinomios por partes, splines, kernel smoothing, métodos basados en árboles (tree-based), máquinas de vectores de soporte, bosque aleatorio (random forest), métodos de refuerzo (boosting), métodos aditivos de conjuntos (additive and ensemble) o modelos gráficos, o en el que el módulo de clasificación (38) está configurado para determinar la predicción del sexo del embrión usando un algoritmo de aprendizaje profundo (deep learning), en particular un algoritmo de aprendizaje profundo basado en redes neuronales convolucionales, redes neuronales recurrentes o redes de memoria a corto plazolargo (long short-term memory).
- 5. Método según alguna de las reivindicaciones anteriores, en el que la medición de RMN comprende la producción de imágenes de RMN, estando un plano de producción de imágenes de RMN de tal manera que intersecte la ubicación del embrión, y/oen el que dicho método se lleva a cabo antes del octavo día de incubación, preferiblemente el quinto día de incubación.
- 6. Método para determinar de manera automatizada no invasiva la fertilidad de un huevo de ave (14) que comprende las siguientes etapas:transportar una pluralidad de huevos de ave (14) introduciéndolos secuencialmente o en paralelo en un aparato de RMN (18),someter los huevos de ave (14) a una medición de RMN para determinar, para cada uno de los huevos (14), uno o ambos de- un histograma de coeficientes de difusión en varias ubicaciones en el huevo,- un espectro de RMN de la yema que incluye picos correspondientes a agua y a grasa, determinar una predicción de la fertilidad basada en la forma del histograma de coeficientes de difusión y/o en el espectro de RMN, ytransportar dicha pluralidad de huevos de ave (14) extrayéndolos del aparato de RMN (18) y clasificar los huevos (14) de acuerdo con la predicción de fertilidad.
- Método según la reivindicación 6, en el que determinar la fertilidad basándose en la forma del histograma de coeficientes de difusión comprende comparar la frecuencia estadística de al menos dos coeficientes de difusión o intervalos de coeficientes de difusión diferentes,en el que preferiblemente dichos al menos dos coeficientes de difusión diferentes, o los centros de dichos al menos dos intervalos de coeficientes de difusión están separados por entre 0,5 y 2,5 mm2/s, preferiblemente entre 0,75 y 1,5 mm2/s, y/oen el que preferiblemente de dichos al menos dos coeficientes de difusión diferentes, o de los centros de dichos al menos dos rangos de coeficientes de difusión, uno está comprendido en un rango de 0,6 a 1,3 mirP/s, preferiblemente en un rango de 0,7 a 1,2 mirrVs, y el otro está ubicado en un rango de 1,5 a 2,5 mmP/s, preferiblemente en un rango de 1,7 a 2,3 mmP/s, y/oen el que preferiblemente dichas varias ubicaciones en el huevo están uniformemente distribuidas por el interior del huevo, y en particular corresponden a vóxeles de una imagen de coeficiente de difusión, y/oen el que preferiblemente la etapa de determinar una predicción de fertilidad basada en el espectro de RMN comprende determinar la predicción de fertilidad en base a la proporción de picos de dicho espectro de RMN correspondientes a agua y a grasa.
- Método según alguna de las reivindicaciones anteriores, en el que los huevos (14) están dispuestos según un patrón regular, en particular en una configuración de matriz, sobre una bandeja (16) durante el transporte y la medición de RMN,en el que preferiblemente el número de huevos (14) dispuestos sobrela bandeja (16) es al menos 36, preferiblemente al menos 50 y lo más preferiblemente al menos 120, y/oen el que el aparato de RMN (18) comprende una disposición (30) de bobinas de RF (30a) para aplicar campos magnéticos de RF a los huevos (14) ubicados en la bandeja (16) y/o para detectar señales de RMN, comprendiendo la disposición (30) de bobinas de RF (30a) uno o más de los siguientes:- una pluralidad de bobinas (30a) dispuestas en un plano situado por encima de la bandeja (16) cargada con huevos (14) cuando se transportan al aparato de RMN (18),- una pluralidad de bobinas (30a) dispuestas en un plano ubicado por debajo de la bandeja (16) cargada con huevos (14) cuando se transportan al aparato de RMN (18),- una pluralidad de bobinas (30a) dispuestas en planos verticales que se extienden entre las filas de huevos (14) de la bandeja (16) cuando se transportan al aparato de RMN (18), extendiéndose las filas en paralelo a la dirección de transporte de la bandeja (16) hacia dentro y hacia fuera del aparato de RMN (18),en el que preferiblemente, en el caso de la pluralidad de bobinas (30a) dispuestas en un plano ubicado por encima o por debajo de la bandeja (16) cargada con huevos (14), la relación del número de bobinas (30a) respecto al número de huevos (14) dispuestos en dicha bandeja (16) está entre 1:1 a 1:25, preferiblemente entre 1:1 a 1:16, y lo más preferiblemente entre 1:1 a 1:5, y/o en el que preferiblemente dicho aparato de RMN (18) comprende una disposición (30) de bobinas de RF (30a) para aplicar campos magnéticos de RF a los huevos (14) ubicados en la bandeja (16) y/o para detectar señales de RMN, estando las disposición (30) de bobinas de RF (30a) integrada o conectada a la bandeja (16),en el que preferiblemente la bandeja (16) comprende una pluralidad de hoyuelos (48) o bolsillos para recibir un huevo correspondiente (14), y en el que a cada uno de dichos hoyuelos (48) o bolsillos están asociadas un número de bobinas (30a), siendo dicho número de bobinas (30a) por hoyuelo (48) o bolsillo al menos 1, preferiblemente al menos 2, más preferiblemente al menos 3, y lo más preferiblemente al menos 4, y/o estando al menos algunas de dichas bobinas (30a) dispuestas verticalmente con respecto al plano principal de la bandeja (16), o con un ángulo de al menos 50°, preferiblemente de al menos 75° y lo más preferiblemente de al menos 80°con respecto al plano principal de la bandeja (16).
- Aparato 10para determinar de manera automatizada no invasiva el sexo de un embrión de un huevo de ave (14) que comprende:un aparato de RMN (18)un dispositivo de transporte (12) para transportar una pluralidad de huevos de ave (14) secuencialmente o en paralelo al interior de dicho aparato de RMN (18) y desdedicho aparato de RMN (18) hacia fuera,estando el aparato de RMN (18) configurado para someter los huevos de ave (14) a una medición de RMN para determinar, para cada uno de dichos huevos (14), una o más imágenes de valores de parámetros de RMN de una región de dicho huevo, estando los valores de parámetros de RMN asociados a píxeles o vóxeles correspondientes de la imagen, en el que dichos uno o más parámetros de RMN se seleccionan de entre el grupo consistente en un tiempo de relajación T1, un tiempo de relajación T2 y un coeficiente de difusión,comprendiendo el aparato además un módulo de clasificación (38) configurado para recibir dichas una o más imágenes de valores de parámetros de RMN o imágenes de parámetros derivados de los mismos y configurado para determinar, en base a dichas una o más imágenes de valores de parámetros de RMN o imágenes de parámetros derivados de los mismos, una predicción del sexo del embrión del huevo asociado (14), yun dispositivode ordenación de huevos (40) para clasificar los huevos (14) de acuerdo con la predicción de sexo proporcionada por el módulo de clasificación (38).
- 10. Aparato 10según la reivindicación 9, en el que dichos uno o más parámetros de RMN comprenden un conjunto de dos o más parámetros de RMN, de los cuales al menos uno está seleccionado de entre dicho grupo que consiste en un tiempo de relajación T1, un tiempo de relajación T2 y un coeficiente de difusión,en el que preferentemente dicho conjunto de parámetros de RMN comprende además uno o más de los siguientes parámetros: un tiempo de relajación T2*, un tiempo de relajación yTdna densidad de espín asociada con uno o más de los núcleos 1H, 13C, 23Na y 31P, y/oen el que preferentemente dicho conjunto de parámetros de RMN comprende además uno o más de los siguientes: una señal de cambio químico de metabolitos, en particular de agua, lípidos, aminoácidos, ácidos nucleicos u hormonas; una señal de transferencia selectiva de cambio químico; y señales de RMN de coherencia cuántica cero o de coherencia cuántica múltiple.
- 11. Aparato 10según la reivindicación 9 o 10, en el que el módulo de clasificación (38) es un módulo de aprendizaje automatizado (machine learning),en el que preferiblemente el módulo de clasificación (38) está configurado para determinar la predicción del sexo del embrión utilizando un clasificador lineal, en particular un clasificador lineal basado en uno o más de los siguientes: regresión lineal de mínimos cuadrados, vecinos más cercanos, regresión logística, separación de hiperplanos o perceptrones, oen el que preferiblemente el módulo de clasificación (38) está configurado para determinar la predicción del sexo del embrión usando un clasificador no lineal, en particular un clasificador no lineal basado en polinomios por partes, splines, kernel smoothing, métodos basados en árboles (tree-based), máquinas de vectores de soporte, bosque aleatorio (random forest), métodos de refuerzo (boosting), métodos aditivos de conjuntos (additive and ensemble) o modelos gráficos, o en el que preferiblemente el módulo de clasificación (38) está configurado para determinar la predicción del sexo del embrión usando un algoritmo de aprendizaje profundo (deep learning), en particular un algoritmo de aprendizaje profundo basado en redes neuronales convolucionales, redes neuronales recurrentes o redes de memoria a corto plazo largo(long short-term memory), o en el que preferiblemente el módulo de clasificación (38) está configurado para determinar la predicción del sexo del embrión en base a una comparación con valores de parámetros guardados en una base de datos.
- 12. Aparato 10para determinar de manera automatizada no invasiva la fertilidad de un huevo de ave (14), que comprende:un aparato de RMN (18)un dispositivo de transporte (12) para transportar una pluralidad de huevos de ave (14) secuencialmente o en paralelo al interior de dicho aparato de RMN (18) y desde dicho aparato de RMN (18) hacia fuera,estando el aparato de RMN (18) configurado para someter los huevos de ave (14) a una medición de RMN para determinar, para cada uno de los huevos (14), uno o ambos de- un histograma de coeficientes de difusión en varias ubicaciones en el huevo,- un espectro de RMN de la yema que incluye picos correspondientes a agua y a grasa, donde dicho aparato 10 está configurado además para determinar una predicción de la fertilidad basada en la forma del histograma de coeficientes de difusión y/o en el espectro de RMN, donde dicho aparato 10 comprende además un dispositivo de ordenación de huevos (40) para clasificar los huevos (14) de acuerdo con la predicción de fertilidad.
- 13. Aparato 10según la reivindicación 12, en el que determinar la fertilidad basándose en la forma del histograma de coeficientes de difusión comprende comparar la frecuencia estadística de al menos dos coeficientes de difusión o intervalos de coeficientes de difusión diferentes,en el que preferiblemente dichos al menos dos coeficientes de difusión diferentes, o los centros de dichos al menos dos intervalos de coeficientes de difusión están separados por entre 0,5 y 2,5 mm2/s, preferiblemente entre 0,75 y 1,5 mm2/s, y/oen el que preferiblemente de dichos al menos dos coeficientes de difusión diferentes, o de los centros de dichos al menos dos rangos de coeficientes de difusión, uno está comprendido en un rango de 0,6 a 1,3 mirP/s, preferiblemente en un rango de 0,7 a 1,2 mirP/s, y el otro está ubicado en un rango de 1,5 a 2,5 mirP/s, preferiblemente en un rango de 1,7 a 2,3 mirP/s, y/oen el que preferiblemente dichas varias ubicaciones en el huevo están uniformemente distribuidas por el interior del huevo, y en particular corresponden a vóxeles de una imagen de coeficiente de difusión, y/oen el que preferiblemente el aparato 10está configurado para determinar una predicción de fertilidad en base al espectro de RMN en base a la proporción de picos de dicho espectro de RMN correspondientes a agua y a grasa.
- 14. Aparato 10según la reivindicación 12 o 13, que comprende además una bandeja (16) en la que dichos huevos (14) pueden disponerse según un patrón regular, en particular en una configuración de matriz, durante dicho transporte y medición de RMN.en el que preferiblemente el número de huevos (14) que se pueden disponer en dicha bandeja (16) es al menos 36, preferiblemente al menos 50 y lo más preferiblemente al menos 120.
- 15. Aparato 10según la reivindicación 14, en el que el aparato de RMN (18) comprende una disposición (30) de bobinas de RF (30a) para aplicar campos magnéticos de RF a los huevos (14) ubicados en la bandeja (16) y/o para detectar señales de RMN, comprendiendo la disposición (30) de bobinas de RF (30a) uno o más de los siguientes:- una pluralidad de bobinas (30a) dispuestas en un plano situado por encima de la bandeja (16) cargada con huevos (14) cuando se transportan al aparato de RMN (18),- una pluralidad de bobinas (30a) dispuestas en un plano ubicado por debajo de la bandeja (16) cargada con huevos (14) cuando se transportan al aparato de RMN (18),- una pluralidad de bobinas (30a) dispuestas en planos verticales que se extienden entre las filas de huevos (14) de la bandeja (16) cuando se transportan al aparato de RMN (18), extendiéndose las filas en paralelo a la dirección de transporte de la bandeja (16) hacia dentro y hacia fuera del aparato de RMN (18),en el que preferiblemente, en el caso de la pluralidad de bobinas (30a) dispuestas en un plano ubicado por encima o por debajo de la bandeja (16) cargada con huevos (14), la relación del número de bobinas (30a) respecto al número de huevos (14) dispuestos en dicha bandeja (16) está entre 1:1 a 1:25, preferiblemente entre 1:1 a 1:16, y lo más preferiblemente entre 1:1 a 1:5, y/o en el que preferiblemente dicho aparato de RMN (18) comprende una disposición (30) de bobinas de RF (30a) para aplicar campos magnéticos de RF a los huevos (14) ubicados en la bandeja (16) y/o para detectar señales de RMN, estando las disposición (30) de bobinas de RF (30a) integrada o conectada a la bandeja (16),en el que preferiblemente la bandeja (16) comprende una pluralidad de hoyuelos (48) o bolsillos para recibir un huevo correspondiente (14), y en el que a cada uno de dichos hoyuelos (48) o bolsillos están asociadas un número de bobinas (30a), siendo dicho número de bobinas (30a) por hoyuelo (48) o bolsillo al menos 1, preferiblemente al menos 2, más preferiblemente al menos 3, y lo más preferiblemente al menos 4, y/o estando al menos algunas de dichas bobinas (30a) dispuestas verticalmente con respecto al plano principal de la bandeja (16), o con un ángulo de al menos 50°, preferiblemente de al menos 75° y lo más preferiblemente de al menos 80° con respecto al plano principal de la bandeja (16).
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP17201373.2A EP3483619A1 (en) | 2017-11-13 | 2017-11-13 | Automated noninvasive determining the sex of an embryo of and the fertility of a bird's egg |
| PCT/EP2018/081019 WO2019092265A1 (en) | 2017-11-13 | 2018-11-13 | Automated noninvasive determining the sex of an embryo of and the fertility of a bird's egg |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2829964T3 true ES2829964T3 (es) | 2021-06-02 |
Family
ID=60327116
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES18796984T Active ES2829964T3 (es) | 2017-11-13 | 2018-11-13 | Determinación automatizada no invasiva del sexo de un embrión y la fertilidad de un huevo de ave |
| ES18796987T Active ES2854001T3 (es) | 2017-11-13 | 2018-11-13 | Determinación automatizada no invasiva de la fertilidad de un huevo de ave |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES18796987T Active ES2854001T3 (es) | 2017-11-13 | 2018-11-13 | Determinación automatizada no invasiva de la fertilidad de un huevo de ave |
Country Status (14)
| Country | Link |
|---|---|
| US (2) | US11122778B2 (es) |
| EP (5) | EP3483619A1 (es) |
| CN (2) | CN111386462B (es) |
| BR (2) | BR112020009533B1 (es) |
| DK (2) | DK3523649T3 (es) |
| ES (2) | ES2829964T3 (es) |
| HU (2) | HUE052953T2 (es) |
| LT (2) | LT3523649T (es) |
| MX (2) | MX2020004097A (es) |
| PL (1) | PL3545326T3 (es) |
| PT (2) | PT3545326T (es) |
| RU (2) | RU2739896C1 (es) |
| SI (2) | SI3545326T1 (es) |
| WO (2) | WO2019092265A1 (es) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| MX2017010333A (es) * | 2015-02-17 | 2018-11-12 | Matrixspec Solutions Inc | Sistemas, dispositivos y métodos para detectar fertilidad y género de huevos no eclosionados. |
| EP3483619A1 (en) * | 2017-11-13 | 2019-05-15 | Technische Universität München | Automated noninvasive determining the sex of an embryo of and the fertility of a bird's egg |
| EP3764766A4 (en) | 2018-03-14 | 2022-02-23 | Monsanto Technology LLC | SEED IMAGING |
| MX2020013129A (es) * | 2018-06-11 | 2021-02-18 | Monsanto Technology Llc | Seleccion de semillas. |
| JP7407189B2 (ja) * | 2019-06-28 | 2023-12-28 | 四国計測工業株式会社 | 検卵装置、検卵プログラム、および検卵方法 |
| CN110516525B (zh) * | 2019-07-01 | 2021-10-08 | 杭州电子科技大学 | 基于gan和svm的sar图像目标识别方法 |
| CN110771533B (zh) * | 2019-09-29 | 2022-03-01 | 北京农业智能装备技术研究中心 | 鸡胚蛋的性别检测系统及方法 |
| CN111193920B (zh) * | 2019-12-31 | 2020-12-18 | 重庆特斯联智慧科技股份有限公司 | 一种基于深度学习网络的视频画面立体拼接方法和系统 |
| CN111345267B (zh) * | 2020-04-08 | 2021-11-19 | 山东省农业科学院家禽研究所（山东省无特定病原鸡研究中心） | 羽色双自别雌雄黑羽粉壳高产特色蛋鸡配套系的制种方法 |
| CN111517092B (zh) * | 2020-06-03 | 2021-06-11 | 太原理工大学 | 一种传动带撕裂检测方法 |
| US20220076157A1 (en) * | 2020-09-04 | 2022-03-10 | Aperio Global, LLC | Data analysis system using artificial intelligence |
| CN112517424B (zh) * | 2020-11-28 | 2022-07-15 | 河北东风养殖有限公司 | 一种动物育种中次品卵分拣回收装置及其操作方法 |
| US11680998B2 (en) * | 2021-11-03 | 2023-06-20 | Innovation Academy For Precision Measurement Science And Technology, Cas | NMR relaxation time inversion method based on unsupervised neural network |
| EP4202427A1 (en) | 2021-12-23 | 2023-06-28 | Orbem GmbH | Direct inference based on undersampled mri data of industrial samples |
| EP4202468A1 (en) | 2021-12-23 | 2023-06-28 | Orbem GmbH | Direct inference based on undersampled mri data of humans or animals |
| EP4206666A1 (en) * | 2021-12-28 | 2023-07-05 | Manoj Nimbalkar | Testing the authenticity of biological compositions |
| CN114667965A (zh) * | 2022-02-17 | 2022-06-28 | 江苏省家禽科学研究所科技创新有限公司 | 一种高繁、高效、优质兼用型黑羽鸡的培育方法 |
| EP4371405A1 (en) * | 2022-11-17 | 2024-05-22 | Van de Ven Beheer B.V. | Scanning device for scanning eggs |
Family Cites Families (57)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN87107953A (zh) * | 1987-11-20 | 1988-08-03 | 关琦 | 家禽无精卵及雌雄种卵鉴别方法及测试装置 |
| EP1021717B1 (en) * | 1996-10-04 | 2002-04-10 | Embrex Inc. | Method of sorting birds in ovo |
| US5745228A (en) * | 1997-01-17 | 1998-04-28 | Embrex, Inc. | Method and apparatus for distinguishing live from infertile poultry eggs |
| NL1006504C2 (nl) * | 1997-07-07 | 1999-01-08 | Instituut Voor Dierhouderij En | Werkwijze en inrichting voor het selecteren van eieren. |
| US6029080A (en) | 1997-07-09 | 2000-02-22 | Reynnells; Richard D. | Method and apparatus for avian pre-hatch sex determination |
| JP2002523057A (ja) * | 1998-08-25 | 2002-07-30 | ザ スクリップス リサーチ インスティテュート | タンパク質の機能を予測するための方法およびシステム |
| US6234320B1 (en) * | 1999-05-11 | 2001-05-22 | Embrex, Inc. | Method and apparatus for selectively classifying poultry eggs |
| US6535277B2 (en) | 2000-12-20 | 2003-03-18 | Embrex, Inc. | Methods and apparatus for non-invasively identifying conditions of eggs via multi-wavelength spectral comparison |
| GB0031566D0 (en) * | 2000-12-22 | 2001-02-07 | Mets Ometrix | Methods for spectral analysis and their applications |
| US20030200932A1 (en) * | 2001-02-16 | 2003-10-30 | Toelken L. Taizo | Ultrasound quality inspection of avian eggs |
| US7041439B2 (en) * | 2001-04-17 | 2006-05-09 | Embrex, Inc. | Methods and apparatus for selectively processing eggs having identified characteristics |
| JP4128791B2 (ja) * | 2002-03-27 | 2008-07-30 | 株式会社堀内 | 有精卵の雌雄鑑別技術 |
| US8326404B2 (en) * | 2003-11-28 | 2012-12-04 | British Columbia Cancer Agency Branch | Multimodal detection of tissue abnormalities based on raman and background fluorescence spectroscopy |
| WO2006057081A1 (en) * | 2004-11-24 | 2006-06-01 | Mitsuyo Okazaki | Method for analyzing lipoproteins |
| US7880467B2 (en) * | 2005-06-09 | 2011-02-01 | Aspect Magnet Technologies Ltd. | Packed array of MRI/NMR devices and an MRI/NMR method of analyzing adjacent lines of goods simultaneously |
| CN101273276A (zh) * | 2005-09-22 | 2008-09-24 | 威斯康星校友研究基金会 | 利用高度约束的背投来重构跳动着的心脏的图像 |
| US7950439B2 (en) | 2005-11-28 | 2011-05-31 | Victor Ray Anderson | Combination-action slide and hinge swinging door |
| CN1789992A (zh) * | 2005-12-15 | 2006-06-21 | 云南大学 | 电磁波共振腔无损检测鸡蛋新鲜度的方法 |
| US7981399B2 (en) * | 2006-01-09 | 2011-07-19 | Mcgill University | Method to determine state of a cell exchanging metabolites with a fluid medium by analyzing the metabolites in the fluid medium |
| JP2009527242A (ja) | 2006-02-23 | 2009-07-30 | オバジェン インターナショナル リミテッド | 特定の無菌状態の鳥類の卵およびトリの改善された生産方法 |
| EP2369005B1 (en) * | 2007-06-21 | 2013-04-03 | Technische Universität München | Biological active proteins having increased in vivo and/or in vitro stability |
| US7950349B1 (en) * | 2008-01-18 | 2011-05-31 | Jack Dean Rollins | Avian egg fertility and gender detection |
| US8781197B2 (en) * | 2008-04-28 | 2014-07-15 | Cornell University | Tool for accurate quantification in molecular MRI |
| KR20100101526A (ko) * | 2009-03-09 | 2010-09-17 | 삼성전자주식회사 | 스트로보 박막 화학 분석 장치 및 이를 이용한 분석 방법 |
| WO2010103111A1 (en) * | 2009-03-13 | 2010-09-16 | Van De Ven Beheer B.V. | Method for avian sex determination |
| US9435732B2 (en) | 2009-06-25 | 2016-09-06 | Yissum Research Development Of The Hebrew University Of Jerusalem Ltd. | Hyperspectral identification of egg fertility and gender |
| CN101672839B (zh) * | 2009-09-25 | 2012-11-14 | 南京农业大学 | 一种基于计算机视觉的种蛋孵化品质检测方法 |
| JP2011142866A (ja) * | 2010-01-15 | 2011-07-28 | Ryosuke Taniguchi | 輪郭による有精卵の雌雄識別法 |
| DE102010006161B3 (de) * | 2010-01-21 | 2011-01-13 | Technische Universität Dresden | Verfahren und Vorrichtung zur Bestimmung des Geschlechtes von befruchteten und nicht bebrüteten Vogeleiern |
| EP2571510B1 (en) * | 2010-05-21 | 2018-08-08 | XL-protein GmbH | Biosynthetic proline/alanine random coil polypeptides and their uses |
| US9710730B2 (en) * | 2011-02-11 | 2017-07-18 | Microsoft Technology Licensing, Llc | Image registration |
| EP2732046B1 (en) * | 2011-07-13 | 2017-09-06 | T2 Biosystems, Inc. | Nmr methods for monitoring blood clot formation |
| AU2013297168B2 (en) | 2012-07-30 | 2019-05-30 | In Ovo Holding B.V. | Gender, viability and/or developmental stage determination of avian embryos in ovo |
| DE102013205426A1 (de) | 2013-03-27 | 2014-10-16 | Siemens Aktiengesellschaft | Verfahren zum Bestimmen des Geschlechts eines Embryos in einem Ei |
| KR102143381B1 (ko) * | 2013-05-30 | 2020-08-11 | 삼성메디슨 주식회사 | 초음파 영상 처리 장치 및 방법 |
| CN103472008B (zh) * | 2013-08-30 | 2016-06-08 | 黑龙江八一农垦大学 | 孵化前期近红外种蛋内鸡胚性别识别方法 |
| GB2518890B (en) * | 2013-10-07 | 2015-09-23 | Yair Or Adar | System and method for determining viability of eggs |
| US9395346B2 (en) * | 2013-11-18 | 2016-07-19 | Zoetis Services Llc | Non-contact egg identification system for determining egg viability, and associated method |
| CA2931749C (en) * | 2013-11-27 | 2023-06-27 | Institut D'investigacio Sanitaria Pere Virgili | Method for the characterization of lipoproteins |
| CN113842566A (zh) * | 2013-12-31 | 2021-12-28 | 威斯康星州医药大学股份有限公司 | 基于多模态成像的自适应重计划 |
| WO2015168774A1 (en) * | 2014-05-05 | 2015-11-12 | Chematria Inc. | Binding affinity prediction system and method |
| DE102014010150A1 (de) | 2014-07-04 | 2016-01-07 | Technische Universität Dresden | Verfahren und Vorrichtung zur Raman-spektroskopischen in-ovo Geschlechtsbestimmung von befruchteten und bebrüteten Vogeleiern |
| FR3023617B1 (fr) * | 2014-07-11 | 2018-06-15 | Tronico | Dispositif non invasif de determination de la fertilite et/ou du sexe d’un oeuf, et procede correspondant. |
| WO2016054079A1 (en) * | 2014-09-29 | 2016-04-07 | Zyomed Corp. | Systems and methods for blood glucose and other analyte detection and measurement using collision computing |
| CN104316473A (zh) * | 2014-10-28 | 2015-01-28 | 南京农业大学 | 一种基于高光谱图像对鸡种蛋孵化早期胚胎性别鉴定的方法 |
| US10478117B2 (en) * | 2015-04-08 | 2019-11-19 | Ramot At Tel-Aviv University Ltd. | Early detection of reduced bone formation with an NMR scanner |
| EP3362783A1 (en) * | 2015-10-12 | 2018-08-22 | MM (UK) Limited | A foodstuff item characteristic mri detection system |
| US10900915B2 (en) * | 2015-11-24 | 2021-01-26 | Southwestern Energy Company | NMR sequential fluid characterization |
| CN105424739A (zh) * | 2015-12-08 | 2016-03-23 | 大连工业大学 | 一种基于核磁共振技术无损检测海参自溶的方法 |
| CN105842641A (zh) * | 2016-03-10 | 2016-08-10 | 哈尔滨医科大学 | 一种基于1h-19f-31p原子核的多通道三维核磁共振成像方法 |
| DE102016004051B3 (de) * | 2016-04-04 | 2017-07-27 | Technische Universität Dresden | Verfahren und Vorrichtung zur optischen in-ovo Geschlechtsbestimmung von befruchteten und bebrüteten Vogeleiern |
| DE102016206713B4 (de) * | 2016-04-20 | 2017-11-02 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | System zum Durchführen spektroskopischer Echo-Planar-Bildgebung (EPSI) |
| CN106645605B (zh) * | 2016-09-05 | 2019-01-08 | 中国农业大学 | 基于机器视觉的禽类受精蛋检测方法 |
| CN106485251B (zh) * | 2016-10-08 | 2019-12-24 | 天津工业大学 | 基于深度学习的鸡蛋胚胎分类 |
| CN106872465B (zh) * | 2016-12-27 | 2020-03-03 | 中国农业大学 | 基于机器视觉的禽类受精蛋检测筛选装置 |
| CN107041325B (zh) * | 2017-04-06 | 2020-06-05 | 四川农业大学 | 一种禽胚蛋无损性别判定方法 |
| EP3483619A1 (en) * | 2017-11-13 | 2019-05-15 | Technische Universität München | Automated noninvasive determining the sex of an embryo of and the fertility of a bird's egg |
-
2017
- 2017-11-13 EP EP17201373.2A patent/EP3483619A1/en not_active Withdrawn
- 2017-12-22 EP EP17210164.4A patent/EP3483620A1/en not_active Withdrawn
-
2018
- 2018-11-13 DK DK18796987.8T patent/DK3523649T3/da active
- 2018-11-13 EP EP20206710.4A patent/EP3798659A1/en active Pending
- 2018-11-13 HU HUE18796984A patent/HUE052953T2/hu unknown
- 2018-11-13 MX MX2020004097A patent/MX2020004097A/es unknown
- 2018-11-13 PT PT187969845T patent/PT3545326T/pt unknown
- 2018-11-13 EP EP18796984.5A patent/EP3545326B1/en active Active
- 2018-11-13 RU RU2020119159A patent/RU2739896C1/ru active
- 2018-11-13 HU HUE18796987A patent/HUE052046T2/hu unknown
- 2018-11-13 ES ES18796984T patent/ES2829964T3/es active Active
- 2018-11-13 CN CN201880073413.9A patent/CN111386462B/zh active Active
- 2018-11-13 SI SI201830166T patent/SI3545326T1/sl unknown
- 2018-11-13 LT LTEP18796987.8T patent/LT3523649T/lt unknown
- 2018-11-13 PL PL18796984T patent/PL3545326T3/pl unknown
- 2018-11-13 DK DK18796984.5T patent/DK3545326T3/da active
- 2018-11-13 RU RU2020119156A patent/RU2739153C1/ru active
- 2018-11-13 MX MX2020004098A patent/MX2020004098A/es unknown
- 2018-11-13 LT LTEP18796984.5T patent/LT3545326T/lt unknown
- 2018-11-13 CN CN201880073176.6A patent/CN111344587B/zh active Active
- 2018-11-13 US US16/760,828 patent/US11122778B2/en active Active
- 2018-11-13 US US16/760,735 patent/US11116184B2/en active Active
- 2018-11-13 BR BR112020009533-8A patent/BR112020009533B1/pt active IP Right Grant
- 2018-11-13 SI SI201830210T patent/SI3523649T1/sl unknown
- 2018-11-13 EP EP18796987.8A patent/EP3523649B1/en active Active
- 2018-11-13 BR BR112020008747-5A patent/BR112020008747B1/pt active IP Right Grant
- 2018-11-13 WO PCT/EP2018/081019 patent/WO2019092265A1/en unknown
- 2018-11-13 PT PT187969878T patent/PT3523649T/pt unknown
- 2018-11-13 WO PCT/EP2018/081030 patent/WO2019092267A1/en unknown
- 2018-11-13 ES ES18796987T patent/ES2854001T3/es active Active
Also Published As
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2829964T3 (es) | Determinación automatizada no invasiva del sexo de un embrión y la fertilidad de un huevo de ave | |
| ES2289011T3 (es) | Procedimiento de rm para analizar semillas. | |
| BR112020001373A2 (pt) | sistema e método para determinação não invasiva de propriedades de ovos | |
| ES2864826T3 (es) | Identificación hiperespectral de la fertilidad y el género del huevo | |
| Tovar-Moll et al. | Structural and functional brain rewiring clarifies preserved interhemispheric transfer in humans born without the corpus callosum | |
| ES2877368T3 (es) | Método y sistema para la determinación in ovo no destructiva del género de las aves | |
| JP6723597B2 (ja) | 種卵の非破壊検査装置及びそれに用いる種卵検査プログラム | |
| US11378565B2 (en) | Method for in-ovo fertilisation determination and gender determination on a closed egg | |
| Smith et al. | Fertility and embryo development of broiler hatching eggs evaluated with a hyperspectral imaging and predictive modeling system | |
| Harrison et al. | Magnetic resonance imaging approaching microscopic scale: maturation stages of Acetabularia mediterranea reproductive caps | |
| ES2769753T3 (es) | Sistema de identificación de bandejas alveoladas para huevos y procedimiento asociado | |
| Davenel et al. | NMR relaxometry as a potential non-invasive routine sensor for characterization of phenotype in Crassostrea gigas | |
| ES2882283T3 (es) | Procedimiento para la determinación del sexo in ovo de huevos de aves | |
| Hunt et al. | Challenges and opportunities in connectome construction and quantification in the developing human fetal brain | |
| Belton et al. | A 31P topical magnetic resonance study of embryonic development in hens' eggs | |
| TH2001002559A (th) | การพิจารณาการเจริญพันธุ์ของไข่นกแบบไม่ล่วงล้ำโดยอัตโนมัติ | |
| Milisits et al. | Possibilities and deliminations in vivo determination of egg composition. |