ES2854001T3 - Determinación automatizada no invasiva de la fertilidad de un huevo de ave - Google Patents

Abstract

Método de determinación automatizada no invasiva de la fertilidad de un huevo de ave (14), que comprende las siguientes etapas: transportar una pluralidad de huevos de ave (14) secuencialmente o en paralelo al interior de un aparato de RMN (18), someter los huevos de ave (14) a una medición de RMN para generar una imagen 3D de RMN de al menos una parte de cada uno de dichos huevos (14), teniendo dicha imagen 3D de RMN una resolución espacial en al menos una dimensión de 1,0 mm o menos, preferentemente de 0,50 mm o menos, incluyendo dicha parte del huevo (14) el disco germinal del huevo respectivo (14), y determinar una predicción de la fertilidad derivando al menos una característica de cada una de dichas imágenes 3D de RMN y empleando dicha al menos una característica en un clasificador basado en características para determinar la predicción de la fertilidad, en el que dicha al menos una característica es elige de entre el grupo consistente en: un diámetro del disco germinal, el volumen del disco germinal, la forma del disco germinal, la textura del disco germinal, la ubicación del disco germinal en el huevo, una relación entre los volúmenes o superficies del disco germinal y uno de los siguientes la yema, la latebra y el albúmen.

Description

DESCRIPCIÓN

Determinación automatizada no invasiva de la fertilidad de un huevo de ave

CAMPO DE LA INVENCIÓN

La presente invención está en el campo de la producción de huevos. Más particularmente, la presente invención se refiere a un método y un aparato para determinar de forma no invasiva la fertilidad del huevo de un ave, en particular un huevo de gallina..

ANTECEDENTES DE LA INVENCIÓN

En la industria avícola resulta deseable 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 mil millones 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 eclosión del 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 aviar pre­ eclosión 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%.

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.

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 esta obra 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.

RESUMENDE LA INVENCIÓN

El problema que subyace a 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 1 y un aparato de acuerdo con la reivindicación 20. En las reivindicaciones dependientes se definen realizaciones preferentes.

Según la presente invención, un método se proporciona un método de determinación automatizada no invasiva de la fertilidad del huevo de un ave, que comprende las siguientes etapas:

transportar una pluralidad de huevos de ave secuencialmente o en paralelo al interior de un aparato de RMN,

someter los huevos de ave a una medición de RMN para generar una imagen 3D de RMN de al menos una parte de cada uno de dichos huevos, teniendo dicha imagen 3D de RMN una resolución espacial en al menos una dimensión de 1,0 mm o menos, preferentemente de 0,50 mm o menos, incluyendo dicha parte del huevo el disco germinal del huevo respectivo,

determinar una predicción de la fertilidad según el siguiente procedimiento:

(i) derivar al menos una característica de cada una de dichas imágenes de RMN 3D y emplear dicha al menos una característica en un clasificador basado en características para determinar una predicción de la fertilidad, en donde dicha al menos una característica se elige de entre el grupo que consiste en: un diámetro del disco germinal, el volumen del disco germinal, la forma del disco germinal, la textura del disco germinal, la ubicación del disco germinal en el huevo, y relaciones entre los volúmenes o superficies del disco germinal y uno de los siguientes: la yema, la latebra y la albúmina, y

El procedimiento (i) se define en la reivindicación 1.

Los inventores han descubierto que la fertilidad de un huevo de gallina se puede discernir a partir de imágenes RMN 3D que incluyen el disco germinal de los mismos. 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.

Más precisamente, cuando se procesa la imagen para determinar, por ejemplo, el diámetro del disco germinal o el volumen del disco germinal, se observa que tanto el diámetro como el volumen difieren constantemente entre los huevos fértiles e infértiles, de modo que estas características pueden ser usadas para distinguirlos. Sin embargo, para una distinción fiable, según la invención, se utiliza un procedimiento de aprendizaje basado en aprendizaje automático (“machine leaming”).

De acuerdo con la invención, al menos una, pero preferiblemente al menos dos características se derivan de la imagen 3D de RMN, y la(s) característica(s) se utilizan en un clasificador basado en características para determinar la fertilidad. Aquí, la expresión "derivar una característica de una imagen 3D de RMN" tiene un significado amplio, y abarca cualquier manera posible por la cual la característica puede obtenerse en base a los datos que representan una imagen 3D. Por ejemplo, los datos de la imagen sin procesar (datos en bruto) se pueden pasar a través de un filtro adecuado diseñado para extraer la característica en cuestión de los datos. Sin embargo, también serían posibles otros tipos de procesamiento de imágenes o procesamiento de datos de imágenes para derivar características.

En la presente divulgación, las características a extraer de la imagen 3D de RMN son caracerísticas predeterminadas o "hechas a mano". Es importante destacar que al menos una, preferiblemente al menos dos de estas características se utilizan en el clasificador basado en características. Una elección particularmente ventajosa de al menos una característica es el volumen, el diámetro o una característica relacionada con la forma o la textura del disco germinal. Sin embargo, otras características también son indicativas de la fertilidad del huevo y se pueden utilizar como una de las características en el clasificador basado en características, por ejemplo, la ubicación del disco germinal en el huevo, la textura de la yema, un número y/o posición de anillos visibles por RMN en la yema o un contraste de los anillos dentro de la yema. Los “anillos visibles por RMN” se refieren a estructuras anulares que se pueden ver en la imagen de RMN de la yema y se mostrarán más abajo. Otras características que pueden usarse son una textura, un volumen o una forma de la latebra, la longitud del cuello de la latebra o relaciones entre los volúmenes o superficies de dos o más de la yema, la latebra, el disco germinal y el albumen. Si se emplean dos o más características en el clasificador basado en características, al menos una de ellas se selecciona de entre las características mencionadas anteriormente. En realizaciones particularmente preferentes, al menos una de las dos o más características se selecciona de entre el grupo que consiste en el diámetro, volumen o forma del disco germinal. Además, el procedimiento (i) es preferiblemente un procedimiento basado en aprendizaje automático (machine learning).

Además, si la imagen de RMN está constituida por vóxeles, la "resolución espacial en una dimensión" mencionada anteriormente es el tamaño de un vóxel en la dimensión correspondiente. Preferiblemente, la resolución espacial en al menos dos, más preferiblemente en las tres dimensiones es 1.0 mm o menos, preferiblemente 0.5 mm o menos.

En una realización preferente, la etapa de determinar la predicción de la fertilidad es llevada a cabo por un módulo de clasificación, en el que dicho método comprende además una etapa de transportar dicha pluralidad de huevos de aves extrayéndolos del aparato de RMN y clasificar los huevos de acuerdo con la predicción de fertilidad proporcionada por dicho módulo de clasificación.

En una realización preferente, el clasificador basado en características emplea un método de kernel, en particular una máquina de vectores de soporte, una máquina de vectores de relevancia o un perceptrón de kernel, un análisis discriminante cuadrático o un análisis discriminante lineal, árboles de clasificación, bosques aleatorios (“random forests”) o un clasificador ingenuo (“naive”) de Bayes.

Los "métodos de Kernel" que se usan en el presente documento se entienden como métodos que hacen uso de funciones de kernel que permiten trabajar en un espacio de muchas dimensiones en el que se pueden reorganizar características para una identificación más fácil de patrones y fronteras de clase. Un método de kernel adecuado para los fines de la invención es una máquina de vectores de soporte (SVM, “support vector machine”). Dado un conjunto de características de entrenamiento, los SVM encuentran una representación lineal que separa las clases con el margen más amplio posible. Cuando hay que clasificar un nuevo punto de datos, los SVM lo ubican en uno de los grupos de manera no probabilística. Es, en su esencia, un clasificador lineal, pero puede resolver problemas no lineales encontrando la función kernel correcta. Para más detalles sobre las máquinas de vectores de soporte, se hace referencia a Cristianini, N. & Shawe-Taylor, J. An Introduction to Support Vector Machines and other kernel based learning methods. Ai Magazine 22, 190 (2000).

Otro método de kernel preferente para el propósito de la presente invención es la máquina de vectores de relevancia (RVM, “relevance vector machine”). Es, en su esencia, una SVM que utiliza un kernel probabilístico (típicamente gaussiano) para obtener una clasificación probabilística. Para detalles adicionales sobre máquinas de vectores de relevancia, se hace referencia a Tipping, M. E. Sparse Bayesian Learning and the Relevance Vector Machine. J. Mach. Learn. Res. 1, 211-244 (2001).

Otro método ventajoso es el perceptrón de kernel. Si bien los modelos aprendidos por el perceptrón clásico solo son aplicables a problemas de clasificación binaria lineal, el perceptrón de kernel opera en un espacio con muchas dimensiones en el que la función de kernel adecuada puede transformar un problema no lineal en uno lineal (ver también Dekel, O., Shalev-Shwartz, S. & Singer, Y. The forgetron: a kernel-based perceptron on a budget. SIAM J. Comput. 37/5, 1342-1372 (2008).

El análisis discriminante lineal (LDA, “linear discriminant analysis”) es un método que intenta identificar una combinación lineal de características que separa dos o más clases. Por lo tanto, durante el entrenamiento, asume distribuciones gaussianas de las funciones de densidad de probabilidad condicional de cada clase y aprende un umbral de clasificación que depende de la media y la covarianza de estas distribuciones. Para más detalles, se hace referencia a Mika, S., Ratsch, G., Weston, J., Scholkopf, B. & Muller, K.-R. Fisher discriminant analysis with kernels. IEEE 41-48 (1999).

doi:10.1109/NNSP.1999.788121, y McLachlan, G. J. Discriminant analysis and statistical pattern recognition. Wiley series in probability and statistics (2004). doi:10.1002/0471725293. El LDA es una simplificación del análisis discriminante cuadrático (QDA, “quadratic discriminant analysis”), en el que se supone la homocedasticidad, lo que significa que la covarianza de las funciones de densidad de probabilidad condicional de cada clase es igual. Si ese es el caso, el término cuadrático de QDA se puede descartar de la ecuación formal. En esencia, LDA y QDA comparten el mismo concepto y formulación: se usa la información probabilística que se puede derivar de las características para encontrar el umbral lineal (LDA) o cuadrático (QDA) que separe mejor las clases.

Los árboles de clasificación (“classification trees”) son estructuras de árbol que aceptan vectores de características como entrada en el tronco del árbol, las hojas representan etiquetas de clase y las ramas la las conjunciones de características que marcan el camino a través del árbol. Durante el entrenamiento, se aprende el umbral de decisión de cada rama en el espacio de las características. Sin embargo, se ha observado que son propensos al sobreajuste (“overfitting”). Para más detalles, se hace referencia a Rokach, L. & Maimon, O. Data mining with decision trees: Theory and applications. World Scientific Pub Co Inc (2008), <http://www.worldscientific.com/worldscibooks/10.1142/6604>.

Un bosque aleatorio (“random forest”), tal como se entiende aquí, es un conjunto de árboles de clasificación generados aleatoriamente. El principio de funcionamiento se basa en promediar la producción de múltiples árboles de clasificación para reducir el sobreajuste. Para más detalles, se hace referencia a Breiman, L. Random forests. Mach. Learn. 45, 5-32 (2001).

Los clasificadores ingenuos de Bayes (“naive Bayes classifiers”) son una familia de clasificadores probabilísticos. Se basan en el teorema de Bayes y suponen la independencia de las características (de ahí la denominación “ingenuos”). La clasificación se basa en el criterio máximo a posteriori, es decir, en hallar la clase para la cual el producto de su probabilidad de ocurrencia y la probabilidad a priori es máxima. La probabilidad de ocurrencia y la probabilidad a priori se aprenden de los datos de entrenamiento. Para más detalles, se hace referencia a Rish, I. An empírica! study of the naive Bayes classifier. Empir. methods Artif Intell. Work. IJCAI22230, 41-46 (2001).

En una realización preferente, el método comprende aplicar una técnica de boosting, en particular una técnica de boosting adaptativo, una técnica de boosting logístico o una técnica de árbol de boosting probabilístico.

Las "técnicas de boosting " como se entiende en el presente documento son técnicas que crean agregaciones de clasificadores "débiles" para construir un clasificador fuerte". Un clasificador "débil" se define como cualquier método de clasificación que funcione algo mejor que la suposición aleatoria, mientras que los clasificadores "fuertes" están bien correlacionados con la clasificación verdadera. En este sentido, un bosque aleatorio también puede verse como una técnica de boosting. Para los fines de la presente invención, tres métodos preferentes son:

^o Boosting adaptativo (AdaBoost): los datos que resultan de los clasificadores débiles se combinan en una suma ponderada. A diferencia de las redes neuronales o las SVM, el AdaBoost selecciona durante el entrenamiento solo aquellas características que mejoran la potencia de clasificación del modelo (véase Freund, Y. & Schapire, R. E. A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting. J. Comput. Syst. Sci. 55, 119-139 (1997)).

^o Boosting logístico (LogitBoost): Desarrollo de AdaBoost a una formulación probabilística. Para una descripción detallada, véase la referencia a Jerome Friedman, Trevor Hastie and Robert Tibshirani. Additive logistic regression: a statistical view of boosting. Annals of Statistics 28(2), (2000). 337-407.

^o Árbol de boosting probabilístico: Este construye automáticamente un árbol en el que cada nodo combina varios clasificadores débiles en un clasificador fuerte (véase Tu, Z. Probabilistic boosting-tree: Learning discriminative models for classification, recognition, and clustering. in Proceedings of the IEEE International Conference on Computer Vision II, 1589-1596 (2005)).

En una realización preferente, en dicha medición de RMN, se determina adicionalmente un histograma de coeficientes de difusión en varias ubicaciones en el huevo, y en el que dicha predicción de la fertilidad se basa además en la forma del histograma.

Los inventores han descubierto que la forma de un histograma de coeficientes de difusión en varias ubicaciones en el 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 varias ubicaciones del huevo. Por ello, al analizar la forma del histograma del coeficiente de difusión, se puede predecir la fertilidad. La predicción basada en la forma del histograma del coeficiente de difusión se puede utilizar para aumentar una predicción basada en los métodos mencionados anteriormente.

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, más 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, uno se encuentra preferiblemente en un rango de 0,6 a 1,3 mm2/s, más preferiblemente en un rango de 0,7 a 1,2 miT/s, y el otro se encuentra preferiblemente en un rango de 1,5 a 2,5 mmP/s, más preferiblemente en un rango de 1,7 a 2,3 mm2/s.

En una realización preferente, dichas varias ubicaciones en el huevo están distribuidas uniformemente por el huevo y, en particular, corresponden a vóxeles de una imagen de coeficiente de difusión.

En una realización preferente, en dicha medición de RMN, se obtiene un espectro de RMN de la yema que incluye picos correspondientes a agua y grasa, y la predicción de la fertilidad se basa adicionalmente en dicho espectro de RMN.

Los inventores han descubierto 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 característicoa de la fertilidad y puede emplearse en la determinación.

Respecto al espectro, los inventores han observado que p. e. cuando el espectro se normaliza respecto 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 r Mn . 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.

La predicción de fertilidad basada en los espectros de RMN se puede usar para aumentar aún más la predicción basada en los métodos descritos anteriormente.

En una realización preferente, los huevos están dispuestos en un patrón regular, en particular en una configuración de matriz, en una bandeja durante dicho transporte y medición de RMN. Preferiblemente, el número de huevos dispuestos en dicha bandeja es al menos 36, más 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 debajo de la bandeja cargada con huevos, la relación entre la cantidad de bobinas y la cantidad de huevos dispuestos en dicha bandeja está preferiblemente entre 1: 1 a 1:25, más 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, estando dicha disposición de bobinas de RF integrada 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 1, preferiblemente al menos 2, más 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 lo más preferiblemente de al menos 80° con respecto al plano principal de la bandeja.

En una realización preferente, dichas imágenes 3D de RMN de la pluralidad de huevos se obtienen usando obtención de imágenes en paralelo, en donde se reconstruyen imágenes coherentes de una disposición de huevos en base a mediciones con múltiples bobinas de RF.

En una realización preferente, dichas imágenes 3D de RMN de la pluralidad de huevos se obtienen usando una técnica de cortes múltiples simultáneos (SMS, “simultaneous multi-slice”), en la que se reconstruyen imágenes multiplexadas de una disposición de huevos basada en mediciones en diferentes bandas de frecuencia.

En una realización preferente, las imágenes 3D de RMN se generan usando detección comprimida (“compressed sensing”), lo cual permite recuperar imágenes de mediciones muestreadas por debajo de la frecuencia de Nyquist.

En una realización preferente, las imágenes de RMN 3D se generan usando precesión libre en estado estacionario, imágenes de disparo rápido de bajo ángulo y/o imágenes cuantitativas en estado transitorio. En una realización preferente, el método comprende además una etapa de mejorar la calidad de la imagen de RMN por medio de una técnica de transferencia de calidad.

Preferiblemente, el número de huevos transportados en paralelo a dicho aparato de RMN y la generación de imágenes de RMN está adaptada de manera que la determinación de la predicción de fertilidad se realice a una velocidad de 20 segundos por huevo o menos, preferiblemente de 10 segundos por huevo o menos, y lo más preferiblemente de 2 segundos por huevo o menos.

En una realización preferente, se genera una imagen 3D de RMN de una pluralidad de huevos dispuestos en un patrón regular, en particular en una configuración de matriz, y la imagen se divide en imágenes correspondientes a cada uno de los huevos, las cuales se someten a dicha determinación de la predicción de fertilidad.

En una realización preferente, la determinación de la predicción de fertilidad se complementa con datos de medición cuantitativa seleccionados de entre un grupo que consiste en: parámetros de relajación, constantes de difusión y mapeo de tensor de difusión, datos de RMN de múltiple cuantos (“múltiple quantum”), datos de RMN cero cuantos (“zero quantum”), datos de mapeo de susceptibilidad y datos de mapeo T2*.

Además se divulga aquí un aparato para la determinación automatizada no invasiva de una propiedad de un huevo de un ave, en particular la fertilidad o el sexo de un huevo de un embrión del mismo, 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 hacia fuera de dicho aparato de RMN,

estando el aparato de RMN configurado para someter los huevos de ave a una medición de RMN, El aparato comprende además un módulo de clasificación configurado para

someter los huevos de ave a una medición de RMN para generar una imagen 3D de RMN de al menos una parte de cada uno de dichos huevos, teniendo dicha imagen 3D de RMN una resolución espacial en al menos una dimensión de 1,0 mm o menos, preferentemente de 0,50 mm o menos, incluyendo dicha parte del huevo el disco germinal del huevo respectivo,

determinar una predicción de la fertilidad según el siguiente procedimiento:

comprendiendo el aparato además un módulo de clasificación configurado para recibir datos de RMN obtanidos en dicha medición de RMN y/o datos derivados de los mismos, estando dicho módulo de clasificación confiruado para determinar, en base a dicho datos de NMR y/o datos derivados de los mismos, unna predicción de la propiedad del huevo, y

un dispositivo de ordenación de huevos para ordenar los huevos de acuerdo con la predicción de sexo proporcionada por dicho módulo de clasificación.

Dicho aparato de RMN está configurado para someter los huevos de ave a una medición de RMN para generar una imagen 3D de RMN de al menos una parte de cada uno de dichos huevos, teniendo dicha imagen 3D de RMN una resolución espacial en al menos una dimensión de 1,0 mm o menos, preferentemente de 0,50 mm o menos, incluyendo dicha parte del huevo el disco germinal del huevo respectivo (14), y estado dicho módulo de clasificación configurado para determinar una predicción de la fertilidad según el siguiente procedimiento:

(i) derivar al menos una característica de cada una de dichas imágenes de RMN 3D y emplear dicha al menos una característica en un clasificador basado en características para determinar una predicción de la fertilidad, en donde dicha al menos una característica se elige de entre el grupo que consiste en: un diámetro del disco germinal, el volumen del disco germinal, la forma del disco germinal, la textura del disco germinal, la ubicación del disco germinal en el huevo, y relaciones entre los volúmenes o superficies del disco germinal y uno de los siguientes: la yema, la latebra y la albúmina,

En el procedimiento (i), preferiblemente al menos dos características se derivan de la imagen 3D de RMN y se utilizan en dicho clasificador basado en características, siendo al menos una de dichas al menos dos características una característica elegida de entre las mencionadas en el párrafo precedente, y en el que, al menos una de dichas al menos dos características se seleccionan de entre el grupo que consiste en el diámetro del disco germinal, volumen del disco germinal y la forma del disco germinal, siendo dicho procedimiento preferiblemente un procedimiento basado en aprendizaje automático (machine learning). En una realización preferente, el clasificador basado en características emplea un método de kernel, en particular una máquina de vectores de soporte, una máquina de vectores de relevancia o un perceptrón de kernel, un análisis discriminante cuadrático o un análisis discriminante lineal, árboles de clasificación, bosques aleatorios (“random forests”) o un clasificador ingenuo (“naive”) de Bayes. Dicho módulo de clasificación esta configurado además para aplicar una técnica de boosting, en particular una técnica de boosting adaptativo, una técnica de boosting logístico o una técnica de árbol de boosting probabilístico.

En una realización preferente, dicho aparato de RMN está configurado para determinar, en dicha medición de RMN, un histograma de coeficientes de difusión en varias ubicaciones en el huevo, estando dicho aparato de RMN configurado para basar dicha predicción de la fertilidad preferentemente en la forma del histograma. La determinación de la fertilidad se basa preferentemente en la forma del histograma de coeficientes de difusión y comprende comparar la frecuencia de ocurrencia de al menos dos coeficientes de difusión diferentes o intervalos de coeficientes de difusión diferentes,

en el que dichos al menos dos coeficientes de difusión diferentes, o los centros de dichos al menos dos intervalos de coeficientes de difusión, están preferiblemente separados por entre 0,5 y 2,5 mm2/s, más preferiblemente por entre 0,75 y 1,5 mirP/s, y/o

en el que de dichos al menos dos coeficientes de difusión diferentes, o de los centros de dichos al menos dos intervalos de coeficientes de difusión, uno se encuentra preferiblemente en un rango de 0,6 a 1,3 mm2/s, más preferiblemente en un rango de 0,7 a 1,2 mmP/s, y el otro se encuentra preferiblemente en un rango de 1,5 a 2,5 miT/s, más preferiblemente en un rango de 1,7 a 2,3 miT/s, y/o

en el que dichas varias ubicaciones en el huevo están distribuidas uniformemente por el huevo y, en particular, corresponden a vóxeles de una imagen de coeficiente de difusión.

En una realización preferente, dicho aparato de RMN está configurado para determinar, en dicha medición de RMN, un espectro de RMN de la yema que incluye picos correspondientes a agua y grasa, y la predicción de la fertilidad se basa adicionalmente en dicho espectro de RMN.

Los inventores han descubierto 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 a agua y a grasa y además para predecir la fertilidad en base a dichjo espectro de RMN.

En una realización preferente, dichos huevos están dispuestos en un patrón regular, en particular en una configuración de matriz, en una bandeja durante dicho transporte y medición de RMN. Preferiblemente, el número de huevos dispuestos en dicha bandeja es al menos 36, más preferiblemente al menos 50 y lo más preferiblemente al menos 120.

En una realización preferente del aparato, 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 ^r Mⁿ , 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 donde en el caso de la pluralidad de bobinas dispuestas en un plano ubicado por arriba o por debajo de la bandeja cargada con huevos, la relación entre la cantidad de bobinas y la cantidad de huevos dispuestos en dicha bandeja está preferiblemente entre 1: 1 a 1:25, más 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, estando dicha disposición de bobinas de RF integrada con dicha bandeja,

en el que 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 1, preferiblemente al menos 2, más 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 lo más preferiblemente de al menos 80° con respecto al plano principal de la bandeja.

En una realización preferente, dicho aparato de RMN está configurado para obetener imágenes 3D de RMN de la pluralidad de huevos usando obtención de imágenes en paralelo, en donde se reconstruyen imágenes coherentes de una disposición de huevos en base a mediciones con múltiples bobinas de RF.

Adicionalmente o alternativamente, el aparato de RMN está configurado para obetener dichas imágenes 3D de RMN de la pluralidad de huevos se obtienen usando una técnica de cortes múltiples simultáneos (SMS, “simultaneous multi-slice”), en la que se reconstruyen imágenes multiplexadas de una disposición de huevos basada en mediciones en diferentes bandas de frecuencia.

Adicionalmente o alternativamente, el aparato de RMN está configurado para obetener dichas imágenes 3D de RMN usando detección comprimida (“compressed sensing”), lo cual permite recuperar imágenes de mediciones muestreadas por debajo de la frecuencia de Nyquist.

Adicionalmente o alternativamente, el aparato de RMN está configurado para obetener dichas imágenes 3D de RMN usando precesión libre en estado estacionario, imágenes de disparo rápido de bajo ángulo y/o imágenes cuantitativas en estado transitorio.

Adicionalmente o alternativamente, el aparato de RMN está configurado para mejorar la calidad de la imagen de RMN por medio de una técnica de transferencia de calidad.

En una realización preferente del aparato, el número de huevos transportados en paralelo a dicho aparato de RMN y la generación de imágenes de RMN está adaptada de manera que la determinación de la predicción de fertilidad se realice a una velocidad de 20 segundos por huevo o menos, preferiblemente de 10 segundos por huevo o menos, y lo más preferiblemente de 2 segundos por huevo o menos.

En una realización preferente, el aparato de RMN está configurado para generar una imagen 3D de RMN de una pluralidad de huevos dispuestos en un patrón regular, en particular en una configuración de matriz, y para dividir la imagen en imágenes correspondientes a cada uno de los huevos.

En una realización preferente, el aparato de RMN está configurado para obtener datos de medición cuantitativa seleccionados de entre un grupo que consiste en: parámetros de relajación, constantes de difusión y mapeo de tensor de difusión, datos de RMN de múltiple cuantos (“multiple quantum”), datos de RMN de cero cuantos (“zero quantum”), datos de mapeo de susceptibilidad y datos de mapeo T2*.

BREVE DESCRIPCIÓN DE LAS FIGURAS

Fig. 1 es una ilustración esquemática de un aparato para la determinación no invasiva automatizada de la fertilidad de un huevo de ave.

Fig. 2a es 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 en 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 es un diagrama de ejemplo que ilustra una obtención y reconstrucción ultra rápidas para obtención de imágenes RMN.

Fig. 6 muestra un volumen 3D (representado como una pluralidad de cortes 2D) de una imagen RMN que puede ser aportada a un procedimiento de clasificación basado en aprendizaje automático .

Fig. 7 es una imagen RMN de un huevo que muestra la latebra, el cuello de la latebra y el disco germinal. Fig. 8 muestra dos imágenes de RMN que incluyen el disco germinal de un huevo fértil (izquierda) y un huevo no fértil (derecha).

Fig. 9 muestra la distribución del diámetro de discos germinales para huevos fértiles e infértiles.

Fig. 10 muestra la distribución del volumen de discos germinales para huevos fértiles e infértiles.

Fig. 11 es un diagrama esquemático que ilustra un clasificador de aprendizaje automático basado en extracción de características diseñadas a mano y un algoritmo de boosting.

Fig. 12 es un diagrama esquemático que ilustra una arquitectura de red neuronal de convolución (CNN, “convolutional neural network”) usada en varias realizaciones de la presente invención .

Fig. 13 muestra resultados de clasificación basados en la arquitectura CNN .

Fig. 14 muestra un histograma promediado de los coeficientes de difusión observados para una pluralidad de huevos fértiles (línea continua) y huevos infértiles (línea discontinua).

Fig. 15 es un gráfico de dispersión que muestra pares de valores de histograma de coeficientes de difusión para 1 mm2/s y 2 mm2/s para una pluralidad de huevos.

Fig. 16 muestra espectros de RMN para huevos fértiles e infértiles.

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. 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, 343-347(2006).

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. Nature 242, 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, 43-50 1991, 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 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. Time-optimal multidimensional gradient waveform design for rapid imaging. Magn. Reson. Med. 51, 81-92 (2004), que permite imágenes de RMN muy rápidas.

Hay dispuestas múltiples bobinas de RF 30 de tal manera que rodean la bandeja 16 cargada con huevos 14 en la cinta transportadora 20 cuando la bandeja 16 es transportada 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 24 conlleva 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 obtención de imágenes en paralelo, 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 9621999, and Uecker, M. et al. ESPIRiT - An eigenvalue approach to autocalibrating parallel MRI: Where SENSE meets GRAPPA. Magn. Reson. Med. 71, 990-1001 (2014).

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 estado de fertilidad 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 estados de fertilidad 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 que hayan sido determinados como infértiles, o puede reorganizar los huevos 14 en la bandeja 16 según la fertilidad. 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 dispuestos 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 para 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 RF 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 la 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, más preferiblemente entre 1:1 a 1:16, y lo más preferiblemente entre 1:1 a 1:5 Cada una de las bobinas de RF 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.

La Fig. 2B muestra una disposición de bobinas de RF 30 similar al de la Fig. 2A, que sin embargo se coloca por debajo de la bandeja 16.

La 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 disco germinal flotará típicamente 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 la 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 la 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 conectadas o integradas en la bandeja 16, como se muestra en la Fig. 3. La 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 en la bandeja 16 hay cuatro bobinas de RF 30a que rodean el huevo 14. Generalmente, se pueden proporcionar una o más bobinas de RF 30a 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 en la bandeja 16 permite una integración más densa de las bobinas de RF 30a y distancias menores 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).

La Fig. 4 muestra más detalles de las matrices de bobinas de RF 30, que puede ser de aplicación 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 la 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.

Algunas 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, 1202-1210 (2002).

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 24 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 One 5, 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 factor adicional 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, 1182-1195 (2007).

Además, en realizaciones preferentes, la obtención 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. Nature 495, 187-192 (2013).

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 disposición 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 preferente es predefinir una cuadrícula correspondiente a cada hoyuelo 48 con un solo huevo 14.

Para conseguir un alto número de huevos escaneados por segundo, en realizaciones preferentes se usa una secuencia de pulso rápido. Éstas se caracterizan típicamente por no estar limitadas por el tiempo de repetición (TD). entre ellas, la preferida es la precesión libre de estado estacionario (SSFP, “steady state free precession”), tal y como se describe por ejemplo en Carr, H. Y. Steady-state free precession in nuclear magnetic resonance. Phys. Rev. 112, 1693-1701 (1958). Esta familia de secuencias de pulsos aplica excitaciones de RF repetidas a los protones en un tiempo de repetición (TR) muy corto, del orden de decenas de milisegundos. Como resultado, la magnetización nunca se recupera completamente, sino que alcanza un estado estable después de varias excitaciones de RF. Cuando eso sucede, uno puede leer una parte de la imagen en cada uno de estos TRs ultracortos, agregándolos para cubrir rápidamente todo el espacio de medición. Esta familia de secuencias se caracteriza por ser altamente eficiente en términos de relación señal/ruido por unidad de tiempo. De menera similar, también se podría utilizar la captura rápida de imágenes de ángulo bajo (FLASH, “fast low-angle shot imaging”) como se mencionó anteriormente. Como el SSFP, tiene un ^t R del orden de decenas de milisegundos, pero a diferencia del SSFP, supone la recuperación de la señal después de cada TR debido a la pequeña excitación inducida por un ángulo de giro bajo. Bajo los mismos principios, las huellas digitales de resonancia magnética y las imágenes cuantitativas en estado transitorio llevan la adquisición al límite de medición en el estado transitorio (antes de alcanzar el estado estacionario). Tienen la ventaja de no producir solo imágenes estructurales, sino también mapas cuantitativos de los parámetros magnéticos del tejido.

Para reducir aún más el tiempo de adquisición, se pueden medir muestras por debajo del límite de Nyquist y reconstruirlas utilizando obtención de imágenes en paralelo, como se describe en los trabajos de Pruessmann et al., Griswold, M. A. et al. Y también de Uecker, M. et al. ESPIRiT - An eigenvalue approach to autocalibrating parallel MRI: Where SENSE meets GRAPPA. Magn. Reson. Med. 71, 990­ 1001 (2014)) y detección comprimida como se describe en la obra de Lustig et al a la que se ha hecho referencia anteriormente. Las obtención de imágenes en paralelo aprovechan el uso de la redundancia de la bobina y la información espacial aportada por la cobertura de las bobinas de RF. Por ejemplo, en una serie de bobinas de RF que cubren una región del espacio, cada bobina medirá diferentes señales dado que están dispuestas en diferentes ubicaciones. Las diferencias entre estas señales, junto con el mapa de sensibilidad de RF de cada bobina, permite recuperar la información que falta. Este concepto puede llevarse más allá con la detección comprimida. La detección comprimida hace uso de redundancia y correlaciones presentes en imágenes naturales. Al aprovechar estas correlaciones, es posible tomar muestras por debajo del límite de Nyquist y aun así recuperar imágenes completas. Para funcionar, la detección comprimida requiere patrones de muestreo aleatorios y reconstrucciones no lineales que imponen la coherencia de los datos combinada con la regularización. El resultado final de la imagen paralela combinada y la detección comprimida son adquisiciones significativamente aceleradas.

Un nivel adicional de paralelización puede conseguirse mediante el uso de múltiples cortes simultáneos (SMS, “simultaneous multi-slice”), como se describe en Feinberg et al. mencionado anteriormente. Esta técnica multiplexa el problema de adquisición en diferentes bandas de frecuencia mediante el uso de pulsos de ^r F multibanda. Por lo tanto, es posible adquirir múltiples regiones del objeto escaneado al mismo tiempo en múltiples bandas de frecuencia.

Finalmente, también es posible adquirir datos a resoluciones menos definidas y reducir el tamaño de vóxel durante la reconstrucción mediante un llamado paso de transferencia de calidad. El método de transferencia de calidad se describe con más detalle en Alexander, D. C. et al. Image quality transfer and applications in diffusion MRI. Neuroimage 152, 283-298 (2017) and Tanno, R. et al. Bayesian Image Quality Transfer with CNNs: Exploring Uncertainty in dMRI Super-Resolution. (2017), <http://arxiv.org/abs/1705.00664>. Estos métodos se basan en un enfoque de aprendizaje automático donde un modelo, por ejemplo un bosque aleatorio (“random forest”), es entrenado para capturar los detalles de alta resolución y transferirlos a datos de baja resolución.

Todas las técnicas de obtención de imágenes de RMN generalmente comparten un proceso de dos etapas para escanear una imagen: adquisición y reconstrucción. Típicamente, en IRM, el tiempo de adquisición ha sido mucho más largo que el tiempo de reconstrucción. La combinación de secuencias de pulso rápidas con multibanda, obtención de imágenes en paralelo y detección comprimida, compensa el tiempo de adquisición con tiempo de reconstrucción y este último puede beneficiarse enormemente de la potencia computacional y los algoritmos de reconstrucción inteligente que recuperan la imagen original. Como resultado, el tiempo total de adquisición y reconstrucción se reduce en varios órdeneds con esta configuración. Una ilustración esquemática que resume lo anterior se muestra en la Fig. 5.

Usando el aparato 10 que se muestra en la Fig. 1, junto con las matrices de bobinas 30 como se explica con referencia a las Fig. 2 a 4, se puede generar un volumen tridimensional de un huevo que se muestra como una pluralidad de cortes 2D de una imagen de RMN del tipo que se muestra en la Fig. 6.

Para el propósito de la invención, la parte más interesante de la imagen 3D de RMN es la parte que incluye el disco germinal. La Fig. 7 muestra una porción de una imagen 3D de RMN, en la que se puede distinguir la latebra 1, el cuello de la latebra 2 y el disco germinal 3.

La Fig. 8 muestra dos cortes de imagen de RMN para comparar, mostrando un huevo fértil a la izquierda y un huevo infértil a la derecha. En cada caso, el disco germinal se encuentra en el cuadrado blanco. Puede verse que el disco germinal del huevo fértil difiere en tamaño y forma del del huevo infértil.

Fig. 9 muestra la distribución de diámetros del disco germinal, extraídos de los datos de imagen de RMN de 100 huevos diferentes, y clasificados según el estado fértil e infértil. Puede verse que los diámetros del disco germinal en los huevos fértiles son más grandes que los de los huevos infértiles. Sin embargo, existe cierta superposición, por lo que una distinción basada solo en el diámetro tendría errores de predicción en la práctica.

La Fig. 10 muestra la distribución de volúmenes del disco germinal, extraídos de los datos de imagen de RMN de 100 huevos diferentes, y clasificados según el estado fértil e infértil. Puede verse que el volumen del disco germinal en los huevos fértiles es mayor que en los huevos infértiles, pero una distinción basada solo en el volumen medido también tendría que errores de predicción en la práctica.

Para proporcionar una predicción fiable de la fertilidad, de acuerdo con una realización de la invención, se derivan al menos dos características de cada una de las imágenes 3D de RMN, y dichas al menos dos características se emplean en un clasificador basado en características para determinar una predicción de la fertilidad. Al basar la clasificación en al menos dos características, las ambigüedades que podrían surgir al depender únicamente del diámetro o del volumen del disco germinal pueden reducirse significativamente, o incluso eliminarse. Las características prometedoras que se utilizarán para este propósito son el diámetro y el volumen del disco germinal, porque de las mediciones de RMN presentadas en este documento se ve que estas características son en sí mismas caracterizadoras de la fertilidad del huevo. En realizaciones preferentes, al menos una de las características usadas para la clasificación corresponde, por lo tanto, al diámetro o al volumen del disco germinal. Otra característica útil es la forma del disco germinal. Como se puede ver en la Fig. 8, en el huevo fértil que se muestra a la izquierda, el disco germinal exhibe una "forma de V" en el corte de RMN respectivo, que de hecho es característico de los huevos fértiles, y que falta en el huevo infértil a la derecha de la Fig. 8.

No obstante, también son posibles otras características, y la acumulación de varias características solo mejorará la precisión de la clasificación. Por ejemplo, se pueden emplear características relacionadas con la ubicación del disco germinal en el huevo o con la textura de la yema. En particular, como resulta evidente a partir de las figuras 7 y 8, se puede ver una pluralidad de estructuras en forma de anillo en las imágenes de RMN, que se denominan "anillos visibles de RMN" en el presente documento. A partir de estos "anillos visibles de RMN", se pueden derivar características adicionales, por ejemplo, el número de anillos visibles de RMN, su posición en la yema y/o su contraste dentro de la imagen de RMN. Adicionalmente o alternativamente, se puede usar como características para usar en un clasificador basado en características para determinar una predicción de la fertilidad una textura, el volumen o la forma de la latebra, la longitud del cuello de la latebra o las relaciones entre los volúmenes o las superficies de dos o más de la yema, el latebra, el disco germinal y la albúmina. Hay que tener en cuenta que estas características también se denominan "características diseñadas a mano" en el presente documento, porque estas características están predefinidas, y los datos de imagen de RMN se procesan para derivar de ellos estas características específicas.

Con fines ilustrativos, en la Fig. 11 se muestra esquemáticamente un ejemplo de un clasificador de aprendizaje automático basado en características diseñadas a mano. La clasificación se compone de dos etapas. Primero, la imagen adquirida (datos sin procesar, “en bruto”) se pasa a través de un banco de filtros que están diseñados para extraer N características específicas de la imagen, es decir, volúmenes, distancias, formas, texturas y más. En base a estas características, se entrena un clasificador N-dimensional. En este ejemplo, se muestran M clasificadores más débiles que cooperan para construir un clasificador fuerte usando una de las técnicas de boosting introducidas anteriormente. Estos clasificadores más débiles son, por ejemplo, SVM, árbol de clasificación, perceptrón, clasificadores ingenuos de Bayes y otros.

En lugar de basarse en características predeterminadas o " diseñadas a mano", en otras realizaciones, los pasos de extracción y clasificación de características están completamente integrados en arquitecturas de aprendizaje profundo (“deep leaming”) como las redes neuronales convolucionales (CNN, “convolutional neural networks”). La idea es que, dado que podría demostrarse que las imágenes de RMN en principio contienen información mediante la cual se puede reconocer la fertilidad, se puede confiar en la arquitectura de aprendizaje profundo para descubrir las características que se deben considerar en la clasificación por sí misma. Hay tres elementos principales en estas arquitecturas, aunque dependiendo de la implementación puede haber variaciones:

1. Capas convolucionales: las convoluciones juegan un papel como extractores de características de imagen. En estas capas, las neuronas se distribuyen en mapas de características y se conectan a un entorno en las capas anteriores a través de un conjunto de pesos. Estos pesos son diferentes para diferentes mapas de características, lo que permite extraer varias características de la misma ubicación de la imagen.

2. Agrupación de capas (“pooling”): su objetivo es alcanzar la invariancia espacial para introducir distorsiones y translaciones. Lo logran reduciendo la resolución espacial y propagando a la siguiente capa alguna métrica local de los mapas de características. Existen varios esquemas de agrupación, siendo la agrupación promedio y la agrupación máxima las más utilizadas.

3. Capas totalmente conectadas: recopilan las características extraídas por las capas convolucionales y de agrupación y producen una clasificación basada en ellas.

Las CNN necesitan aprender sus parámetros libres (pesos y sesgos o “biases”) para cumplir su misión. Este proceso puede basarse en una función de pérdida que calcule el error de clasificación y un algoritmo de entrenamiento (por ejemplo, retropropagación) para determinar el ajuste de los parámetros CNN en función del error. Un reto importante de las CNN es evitar el sobreajuste (“overfitting”) o la capacidad de generalizar la clasificación a datos no vistos. Un enfoque útil para controlar el sobreajuste es el uso de un conjunto de datos de validación durante el entrenamiento, que se emplea en realizaciones favorables de la presente invención. Esto implica dividir el conjunto de datos en dos grupos, capacitación y validación. Como indican sus nombres, el primero se usa para el entrenamiento, mientras que el segundo controla que la precisión y el error mejoren no solo en el conjunto de datos de entrenamiento sino también en los datos aún no vistos.

Un ejemplo de una CNN para su uso en realizaciones favorables de la invención se muestra esquemáticamente en la Fig. 12. La imagen de RMN con dimensiones HxW es convolucionada con C kernels de tamaño hxw para extraer mapasn de características. Luego, Cn operaciones de agrupación y convolución transforman las dimensiones de los mapas de características a Hn x Wn, n = [1, p]. Finalmente, las capas completamente conectadas con Lm neuronas por capa (m = [1, q]) toman las características derivadas en los pasos anteriores para obtener una clasificación de la imagen Usando un CNN de la estructura general que se muestra en la Fig. 12 y llevando a cabo un entrenamiento y validación basado en 300 huevos, la mitad de ellos fértiles y la otra infértiles, se podría lograr una precisión del 97.3% en el conjunto de datos de validación, tal como se ve en la Fig. 13. Aquí, se ha usado una implementación de c Nn 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).

La Fig. 13 muestra la pérdida y la precisión tanto de los datos de entrenamiento (es decir, imágenes de RMN de 250 huevos) como de datos de validación (datos de RMN de 50 huevos). Se puede ver que después de 50 épocas de entrenamiento (iteraciones), la precisión de la clasificación con respecto a los datos de entrenamiento ya alcanza casi el 100%. Esta tasa tan alta se debe al mencionado "sobreajuste", pero la pregunta importante es, por supuesto, cómo funciona la CNN en las imágenes de RMN de los huevos que no ha visto durante el entrenamiento. Esto está representado por la precisión de los datos de validación, que después de 50 épocas de entrenamiento ya conducen a una precisión del 97,3%, lo que demuestra que el método de la invención funciona claramente con una fiabilidad y precisión que permite una implementación comercialmente atractiva.

Hay que tener en cuenta que tanto la clasificación basada en el clasificador basado en características como el algoritmo de aprendizaje profundo son fundamentalmente diferentes de una mera "comparación con imágenes de RMN almacenadas en una base de datos", como se sugiere en el documento Ep 0890 838 B1 mencionado anteriormente. De hecho, cabe dudar que mediante tal comparación se pueda hacer una predicción fiable de fertilidad, y ese documento no muestra ningún dato experimental que lo sugiera. En diversas realizaciones de la invención, se pueden emplear redes generativas adversarias. En las redes generativas adversarias (GAN, “generative adversarial networks”), se entrenan dos redes neuronales al mismo tiempo. La primera aprende a generar imágenes artificiales a partir de un espacio de muestras y la segunda intenta determinar si las imágenes generadas son artificiales o no. Se les llama adversarias porque las redes generativas intentan "engañar" a la red de clasificación al aprender a crear imágenes que parezcan reales. Hay dos ideas detrás de esto: 1) Se puede eventualmente pasar del aprendizaje supervisado al aprendizaje no supervisado creando un conjunto propio de datos sintéticos y reduciendo la demanda de imágenes de "entrenamiento real". 2) Se puede replicar la misma arquitectura para enseñar a una red a generar "imágenes fértiles e infértiles" y una segunda para clasificarlas en una configuración de adversarios. Para más detalles, se hace referencia a Goodfellow, I. J. et al. Generative Adversaria! Networks. (2014). at <http://arxiv.org/abs/1406.2661>.

Fig. 14 muestra un histograma promediado del coeficiente de difusión D observado en una pluralidad de huevos fértiles (línea continua) y huevos infértiles (línea discontinua). En el histograma, para cada uno de los contenedores de parámetros respectivos, se cuenta el número de vóxeles que caen dentro del contenedor. D es el coeficiente de auto-difusión molecular (también denominado "constante de difusión") de las moléculas de agua que fue definido por A. Einstein en 1905 (A. Eistein en “Ann Physik”, 17, p 549 1905). 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 aplicando 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.

Los coeficientes de difusión representados en la Fig. 14 se han determinado 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. 14, 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 (que se encuentran en regiones dentro de la yema) se encuentran con mayor frecuencia en huevos infértiles que en huevos fértiles. En consecuencia, esta diferencia se puede tomar como un criterio adicional para determinar la fertilidad, que se puede incorporar a los procedimientos de aprendizaje automático para aumentar aún más la precisión.

La Fig. 15 muestra un diagrama de dispersión de pares de valores de histograma de coeficiente de difusión a 1 mm2/s y 2 miT/s, para nueve huevos fértiles y diez huevos infértiles. Como se puede ver en la Fig. 15, en el diagrama de dispersión simple, todos los huevos de cada especie menos uno se encuentra al lado correspondiente de una línea de separación discontinua, lo que denota una relación de los valores del histograma a 2 mm2/s y 1 mmP/s, en donde esta ratio generalmente se excede para los huevos fértiles y no se alcanza para los huevos infértiles.

La Fig. 16 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 relación 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, o uno de ellos se pueden combinar para aumentar la fiabilidad de la predicción. Téngase en cuenta que la comparación de los valores del histograma a 1 mmP/s y 2 mmP/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. 16 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 base al espectro.

LISTA DE REFERENCIAS

1 latebra

2 cuello de la latebra

3 disco germinal

10 aparatos para la determinación no invasiva de la fertilidad de un huevo

12 dispositivo de transporte

14 huevo

16 bandeja

18 aparatos de RMN

20 cinta transportadoras

22 controlador de transporte

24 disposición de imanes

26 bobinas de gradiente

28 controlador de gradiente

30 disposición de bobinas de RF

30a bobina de RF

32 controlador de RF

34 detector de RF

36 módulo de reconstrucción de imágenes

38 módulo de clasificación de huevos

40 dispositivo de ordenación de huevos

42 ventosa del dispositivo de ordenación de huevos 40

44 controlador central

45 canal de datos

46 dirección de transporte

48 hoyuelos en la bandeja 16

50 sección de antena

52 condensador de sintonización

54 preamplificador

56 líneas de transmisión

58 espectrómetro de RMN

60 interfaz de usuario

Claims (1)

1. REIVINDICACIONES

   Método de determinación automatizada no invasiva de la fertilidad de un huevo de ave (14), que comprende las siguientes etapas:

   transportar una pluralidad de huevos de ave (14) secuencialmente o en paralelo al interior de un aparato de RMN (18),

   someter los huevos de ave (14) a una medición de RMN para generar una imagen 3D de RMN de al menos una parte de cada uno de dichos huevos (14), teniendo dicha imagen 3D de RMN una resolución espacial en al menos una dimensión de 1,0 mm o menos, preferentemente de 0,50 mm o menos, incluyendo dicha parte del huevo (14) el disco germinal del huevo respectivo (14), y determinar una predicción de la fertilidad derivando al menos una característica de cada una de dichas imágenes 3D de RMN y empleando dicha al menos una característica en un clasificador basado en características para determinar la predicción de la fertilidad,

   en el que dicha al menos una característica es elige de entre el grupo consistente en: un diámetro del disco germinal, el volumen del disco germinal, la forma del disco germinal, la textura del disco germinal, la ubicación del disco germinal en el huevo, una relación entre los volúmenes o superficies del disco germinal y uno de los siguientes la yema, la latebra y el albúmen.

   Método según la reivindicación 1, en el que al menos dos características se derivan de dichas imágenes 3D de RMN y son empleadas en dicho clasificador basado en características, siendo al menos una de dichas al menos dos características una característica escogida de entre el grupo mencionado en la reivindicación 1, y en el que preferiblemente, al menos una de dichas al menos dos características es una característica escogida de entre el grupo consistente en: el diámetro del disco germinal, el volumen del disco germinal y la forma del disco germinal, siendo dicho procedimiento preferiblemente un procedimiento de aprendizaje automático (machine learning).

   Método según alguna de las reivindicaciones anteriores, en el que dicha etapa de determinar la predicción de la fertilidad es llevada a cabo por un módulo de clasificación (38), en el que dicho método comprende además una etapa de transportar dicha pluralidad de huevos de ave (14) hacia fuera de dicho aparato de RMN (18) y ordenar los huevos (14) de acuerdo con la predicción de fertilidad proporcionada por dicho módulo de clasificación (38) y/o

   en el que el clasificador basado en características utiliza un método de kernel, en particular una máquina de vectores de soporte, una máquina de vectores de relevancia, una percepción de kernel, un análisis discriminante cuadrático o un análisis discrimínante lineal, árboles de clasificación, bosques aleatorios o un clasificador ingenuo de Bayes,

   en el que dicho método comprende preferentemente aplicar una técnica de boosting, en particular una técnica de boosting adaptativo, una técnica de boosting logístico o una técnica de árbol de boosting probabilístico.

   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 el número de huevos (14) dispuestos sobre la bandeja (16) es preferiblemente al menos 36, más preferiblemente al menos 50 y lo más preferiblemente al menos 120,

   en el que el aparato de RMN (18) preferiblemente 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, 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 preferiblemente entre 1:1 a 1:25, más preferiblemente entre 1:1 a 1:16, y lo más preferiblemente entre 1:1 a 1:5, y/o en el que dicho aparato de RMN (18) preferiblemente 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 con la bandeja (16),

   en el que la bandeja (16) comprende preferiblemente 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).

   Método según alguna de las reivindicaciones anteriores, en el que dichas imágenes 3D de RMN de la pluralidad de huevos (14) se obtienen usando obtención de imágenes en paralelo, en el que imágenes coherentes de una disposición de huevos (14) son reconstruidas en base a mediciones con múltiples bobinas RF (30), y/o en el que dichas imágenes RMN 3D de la pluralidad de huevos (14) se obtienen usando una técnica de múltiples cortes simultáneos (SMS), en la que que se reconstruyen imágenes multiplexadas de una disposición de huevos en base a mediciones a diferentes bandas de frecuencia, y/o en el que las imágenes 3D de RMN se generan usando detección comprimida, lo cual permite recuperar imágenes de mediciones muestreadas por debajo del límite Nyquist.

   Método según alguna de las reivindicaciones anteriores, en el que las imágenes 3D de RMN se generan usando una o más de las siguientes: precesión libre de estado estacionario, obtención de imágenes de disparo rápido de bajo ángulo y/o imágenes cuantitativas en estado transitorio, y/o que comprende además una etapa de mejorar la calidad de la imagen de RMN mediante una técnica de transferencia de calidad, y/o

   en el que el número de huevos (14) transportados en paralelo a dicho aparato de RMN (18) y la generación de imágenes de RMN están adaptados para llevar a cabo la determinación de la predicción de fertilidad a una velocidad de 20 segundos por huevo (14) o menos, preferiblemente de 10 segundos por huevo (14) o menos, y más preferiblemente de 2 segundos por huevo (14) o menos.

   Método según alguna de las reivindicaciones anteriores, en el que una imagen 3D de RMN de una pluralidad de huevos (14) dispuestos en un patrón regular, en particular en una configuración de matriz, es generada y la imagen es dividida en imágenes que corresponden a cada uno de los huevos (14), las cuales son sujetas a dicha determinación de una predicción de fertilidad y/o en el que la determinación de la predicción de fertilidad es complementada con datos de medición cuantitativos seleccionados de entre un grupo consistente en: parámetros de relajación, constantes de difusión y mapeo de tensor de difusión, datos de RMN de múltiples cuantos, datos de RMN de cero cuantos, datos de mapeo de susceptibilidad y datos de mapeo T2*.

   Aparato (10) para determinar de manera automatizada no invasiva la feftilidad de un huevo de ave (14), comprendiendo el aparato lo siguiente:

   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,

   comprendiendo el aparato además un módulo de clasificación (38) y

   un dispositivo de ordenación de huevos (40) para ordenar los huevos (14) de acuerdo con la predicción de fertilidad proporcionada por dicho módulo de clasificación (38), en el que dicho aparato de RMN (18) está configurado para generar una imagen 3D de RMN de al menos una parte de cada uno de dichos huevos (14), teniendo dicha imagen 3D de RMN una resolución espacial en al menos una dimensión de 1,0 mm o menos, preferentemente de 0,50 mm o menos, incluyendo dicha parte del huevo (14) el disco germinal del huevo respectivo (14), y

   estando dicho módulo de clasificación (38) configurado para determinar una predicción de la fertilidad derivando al menos una característica de cada una de dichas imágenes 3D de RMN y empleando dicha al menos una característica en un clasificador basado en características para determinar la predicción de la fertilidad,

   en el que dicha al menos una característica está elegida de entre el grupo consistente en: un diámetro del disco germinal, el volumen del disco germinal, la forma del disco germinal, la textura del disco germinal, la ubicación del disco germinal en el huevo, una relación entre los volúmenes o superficies del disco germinal y uno de los siguientes la yema, la latebra y el albúmen.

   9. Aparato (10) según la reivindicación 8, en el que al menos dos características se derivan de dichas imágenes 3D de RMN y son empleadas en dicho clasificador basado en características, siendo al menos una de dichas al menos dos características una característica escogida de entre el grupo mencionado en la reivindicación 8, y en el que preferiblemente, al menos una de dichas al menos dos características es una característica escogida de entre el grupo consistente en: el diámetro del disco germinal, el volumen del disco germinal y la forma del disco germinal, siendo dicho procedimiento preferiblemente un procedimiento de aprendizaje automático (machine learning), en el que el clasificador basado en características utiliza preferentemente un método de kernel, en particular una máquina de vectores de soporte, una máquina de vectores de relevancia, una percepción de kernel, un análisis discriminante cuadrático o un análisis discrimínante lineal, árboles de clasificación, bosques aleatorios o un clasificador ingenuo de Bayes.

   10. Aparato (10) según la reivindicación 8 o 9, en el que dichos huevos (14) están dispuestos según un patrón regular, en particular en una configuración de matriz, durante dicho transporte y dicha medición de RMN,

   en el que el número de huevos (14) dispuestos en dicha bandeja (16) es preferiblemente al menos 36, preferiblemente al menos 50 y lo más preferiblemente al menos 120,

   en nel que 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, 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, 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 preferiblemente entre 1:1 a 1:25, más 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).

   11. Aparato según alguna de las reivindicaciones 8 a 10, estando el aparato de RMN (18) configurado para obtener dichas imágenes 3D de RMN de la pluralidad de huevos (14) usando obtención de imágenes en paralelo, en la que imágenes coherentes de una disposición de huevos (14) son reconstruidas en base a mediciones con múltiples bobinas RF (30), y/o estando el el que el aparato de RMN (18) configurado para obtener dichas imágenes RMN 3D de la pluralidad de huevos (14) usando una técnica de múltiples cortes simultáneos (SMS), en la que se reconstruyen imágenes multiplexadas de una disposición de huevos en base a mediciones a diferentes bandas de frecuencia, y/o estando el que el aparato de RMN (18) configurado para generar las imágenes 3D de RMN usando detección comprimida, lo cual permite recuperar imágenes de mediciones muestreadas por debajo del límite Nyquist.

   12. Aparato según alguna de las reivindicaciones 8 a 11, estando el aparato de RMN (18) configurado para generar las imágenes 3D de RMN usando una o más de las siguientes: precesión libre de estado estacionario, obtención de imágenes de disparo rápido de bajo ángulo y/o imágenes cuantitativas en estado transitorio, y/o

   estando el que el aparato de RMN (18) configurado para mejorar la calidad de las imágenes de RMN mediante una técnica de transferencia de calidad, y/o

   en el que el número de huevos (14) transportados en paralelo a dicho aparato de RMN (18) y la generación de imágenes de RMN están adaptados para llevar a cabo la determinación de la predicción de fertilidad a una velocidad de 20 segundos por huevo (14) o menos, preferiblemente de 10 segundos por huevo (14) o menos, y más preferiblemente de 2 segundos por huevo (14) o menos.

   13. Aparato según alguna de las reivindicaciones 8 a 12, en el que dicho aparato de RMN (18) está configurado para generar una imagen 3D de RMN de una pluralidad de huevos (14) dispuestos en un patrón regular, en particular en una configuración de matriz, y para dividir la imagen en imágenes que corresponden a cada uno de los huevos (14), y/o

   en el que dicho aparato de RMN (18) está configurado para obtener datos de medición cuantitativos seleccionados de entre un grupo consistente en: parámetros de relajación, constantes de difusión y mapeo de tensor de difusión, datos de RMN de múltiples cuantos, datos de RMN de cero cuantos, datos de mapeo de susceptibilidad y datos de mapeo T2*.