RU2739896C1 - Автоматизированное неинвазивное определение оплодотворения яйца птицы - Google Patents
Автоматизированное неинвазивное определение оплодотворения яйца птицы Download PDFInfo
- Publication number
- RU2739896C1 RU2739896C1 RU2020119159A RU2020119159A RU2739896C1 RU 2739896 C1 RU2739896 C1 RU 2739896C1 RU 2020119159 A RU2020119159 A RU 2020119159A RU 2020119159 A RU2020119159 A RU 2020119159A RU 2739896 C1 RU2739896 C1 RU 2739896C1
- Authority
- RU
- Russia
- Prior art keywords
- nmr
- eggs
- egg
- tray
- coils
- Prior art date
Links
- 230000004720 fertilization Effects 0.000 title claims abstract description 76
- 244000144977 poultry Species 0.000 title claims abstract description 17
- 235000013601 eggs Nutrition 0.000 claims abstract description 265
- 238000005481 NMR spectroscopy Methods 0.000 claims abstract description 170
- 238000000034 method Methods 0.000 claims abstract description 119
- 238000000293 three-dimensional nuclear magnetic resonance spectroscopy Methods 0.000 claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 230000035558 fertility Effects 0.000 claims abstract description 13
- 238000009792 diffusion process Methods 0.000 claims description 71
- 238000003384 imaging method Methods 0.000 claims description 34
- 210000002969 egg yolk Anatomy 0.000 claims description 30
- 210000000992 latebra Anatomy 0.000 claims description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 22
- 238000000655 nuclear magnetic resonance spectrum Methods 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 238000007906 compression Methods 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 9
- 210000002298 blastodisc Anatomy 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 230000001052 transient effect Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000001427 coherent effect Effects 0.000 claims description 4
- 102000004169 proteins and genes Human genes 0.000 claims description 2
- 108090000623 proteins and genes Proteins 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 22
- 238000013527 convolutional neural network Methods 0.000 abstract description 19
- 238000004422 calculation algorithm Methods 0.000 abstract description 17
- 238000013528 artificial neural network Methods 0.000 abstract description 9
- 210000002569 neuron Anatomy 0.000 abstract description 4
- 230000000306 recurrent effect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract 1
- 230000007787 long-term memory Effects 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 210000004681 ovum Anatomy 0.000 description 26
- 238000002595 magnetic resonance imaging Methods 0.000 description 13
- 235000013594 poultry meat Nutrition 0.000 description 12
- 238000001228 spectrum Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000011534 incubation Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004393 prognosis Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 208000021267 infertility disease Diseases 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 241000271566 Aves Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000005653 Brownian motion process Effects 0.000 description 2
- 238000005537 brownian motion Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 210000002257 embryonic structure Anatomy 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000005415 magnetization Effects 0.000 description 2
- 210000001161 mammalian embryo Anatomy 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 2
- 238000009374 poultry farming Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000020509 sex determination Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000005084 2D-nuclear magnetic resonance Methods 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 235000021120 animal protein Nutrition 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000000991 chicken egg Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008011 embryonic death Effects 0.000 description 1
- 210000000002 embryonic disk Anatomy 0.000 description 1
- 238000003863 fast low-angle shot imaging Methods 0.000 description 1
- 210000002149 gonad Anatomy 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000004476 mid-IR spectroscopy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008689 nuclear function Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 235000018102 proteins Nutrition 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000003307 slaughter Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K43/00—Testing, sorting or cleaning eggs ; Conveying devices ; Pick-up devices
- A01K43/04—Grading eggs
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/344—Sorting according to other particular properties according to electric or electromagnetic properties
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
- G01N24/08—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using nuclear magnetic resonance
- G01N24/085—Analysis of materials for the purpose of controlling industrial production systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/08—Eggs, e.g. by candling
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/28—Details of apparatus provided for in groups G01R33/44 - G01R33/64
- G01R33/30—Sample handling arrangements, e.g. sample cells, spinning mechanisms
- G01R33/307—Sample handling arrangements, e.g. sample cells, spinning mechanisms specially adapted for moving the sample relative to the MR system, e.g. spinning mechanisms, flow cells or means for positioning the sample inside a spectrometer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/28—Details of apparatus provided for in groups G01R33/44 - G01R33/64
- G01R33/32—Excitation or detection systems, e.g. using radio frequency signals
- G01R33/34—Constructional details, e.g. resonators, specially adapted to MR
- G01R33/341—Constructional details, e.g. resonators, specially adapted to MR comprising surface coils
- G01R33/3415—Constructional details, e.g. resonators, specially adapted to MR comprising surface coils comprising arrays of sub-coils, i.e. phased-array coils with flexible receiver channels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/483—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/483—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy
- G01R33/4833—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using spatially selective excitation of the volume of interest, e.g. selecting non-orthogonal or inclined slices
- G01R33/4835—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using spatially selective excitation of the volume of interest, e.g. selecting non-orthogonal or inclined slices of multiple slices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
- G01R33/5611—Parallel magnetic resonance imaging, e.g. sensitivity encoding [SENSE], simultaneous acquisition of spatial harmonics [SMASH], unaliasing by Fourier encoding of the overlaps using the temporal dimension [UNFOLD], k-t-broad-use linear acquisition speed-up technique [k-t-BLAST], k-t-SENSE
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Signal Processing (AREA)
- Medicinal Chemistry (AREA)
- Optics & Photonics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Environmental Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biodiversity & Conservation Biology (AREA)
- Animal Husbandry (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Wrapping Of Specific Fragile Articles (AREA)
- Housing For Livestock And Birds (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
Группа изобретений относится к автоматизированному неинвазивному определению оплодотворения яйца птицы. Способ включает следующие этапы: последовательную или параллельную конвейерную подачу множества яиц птицы в ЯМР-аппарат, подвергание яиц птицы ЯМР-измерению, например, для генерации трехмерного изображения ЯМР по меньшей мере части каждого из упомянутых яиц, причем упомянутое трехмерное изображение ЯМР имеет пространственное разрешение в по меньшей мере одном измерении 1,0 мм или менее, предпочтительно - 0,50 мм или менее, причем упомянутая часть яйца (14) включает зародышевый диск соответствующего яйца, определение прогноза оплодотворения согласно по меньшей мере одной из следующих двух процедур: (i) выявление по меньшей мере одного признака из каждого из упомянутых трехмерных изображений ЯМР и использование упомянутого по меньшей мере одного признака в классификаторе на основе признаков для определения прогноза оплодотворения, и (ii) использование алгоритма глубокого обучения и, в частности, алгоритма глубокого обучения на основе сверточных нейронных сетей, генеративно-состязательных сетей, рекуррентных нейронных сетей или нейронных сетей долгой краткосрочной памяти. Применение данной группы изобретений позволит обрабатывать большое число яиц, не повреждая или не изменяя яйца каким-либо образом. 2 н. и 35 з.п. ф-лы, 16 ил.
Description
ОБЛАСТЬ ИЗОБРЕТЕНИЯ
Настоящее изобретение относится к области производства яиц. Более конкретно, настоящее изобретение относится к способу и аппарату для неинвазивного определения оплодотворения яйца птицы, в частности куриного яйца.
ПРЕДПОСЫЛКИ ИЗОБРЕТЕНИЯ
В промышленном птицеводстве желательно неинвазивно определять оплодотворение яйца. Промышленное птицеводство является одним из наиболее важных источников животного белка для потребления человеком. По оценкам журнала Poultry Trends в 2016 году производство и потребление мяса домашней птицы по всему миру повысится на 20% к 2025 году до более 130 миллионов метрических тонн. В 2016 году на мировом рынке производили уже 116,4 миллионов метрических тонн мяса домашней птицы, при этом 185 самых крупных птицеводческих компаний забивали приблизительно 38 миллиардов голов для удовлетворения общемировой потребности. Только в США объем промышленного птицеводства оценивается в 38,7 миллиардов долларов США.
Несмотря на значительный объем, процесс инкубации яиц для выведения домашней птицы далек от совершенства. На среднем птицеводческой ферме вылупляется лишь 75%-85% инкубируемых яиц. Остальные 15-25% яиц либо подвергаются ранней эмбриональной гибели, либо являются неоплодотворенными. В настоящее время, неоплодотворенные яйца и погибшие эмбрионы отделяют от живых эмбрионов после 18 дней инкубации с помощью неинвазивных технологий, таких как Embrex® Egg remover® (http://embrexbiodevices.com/Poultry-BioDevices/Embrex-Egg-Remover/). Хотя такое решение позволяет предотвращать нежелательное вскрытие яиц, оно все равно является неэкономичным: все яйца без цыпленка внутри выбрасывают. Т.е. промышленно инкубируют более 12,8 миллиардов яиц ежегодно только за тем, чтобы выбросить их. Таким образом, крайне желательным является решение, которое позволит определять статус оплодотворения яйца до инкубации. Такое решение значительно повысит производительность и позволит сэкономить энергию, снизить затраты и отходы. Кроме того, это позволит вывести миллиарды яиц на рынок для потребления человеком.
Существует несколько патентов в области идентификации оплодотворенных яиц. Например, в патенте США № 5745228 «Method and apparatus for distinguishing live from infertile poultry eggs» используют источник излучения для определения того, является ли цыпленок внутри яйца живым. Эту технологию используют в Embrex® Egg remover®.
В патенте США № 6029080 «Method and apparatus for avian pre-hatch sex determination» предлагают использовать МРТ для определения пола птиц в яйце. Хотя в этом патенте используют технологию МРТ, он не имеет никакого отношения к определению статуса оплодотворения и сфокусирован исключительно на идентификации гонад посредством МРТ для определения пола.
В патенте США № 7950439 B1 «Avian egg fertility and gender detection» предлагают использовать внешний источник излучения в форме лампы накаливания, флуоресцентной лампы или светодиода для определения оплодотворения и пола в яйце птицы.
Патент США № 6535277 B2 «Methods and apparatus for non-invasively identifying conditions of eggs via multi-wavelength spectral comparison» основан на использовании видимого и невидимого излучения при длине волны от 300 нм до 1100 нм для идентификации различных состояний яйца, включая статус оплодотворения.
В US2013/0044210 A1 «Hyperspectral identification of egg fertility and gender» используют излучение среднего ИК-диапазона для определения оплодотворения яйца. Авторы этого изобретения заявляют, что они могут определять статус оплодотворения яйца в нулевой день (т.е. в только что отложенном яйце) с точностью 90%.
В EP 0 890 838 B1 описывают способ и аппарат для селекции яиц по их оплодотворению. В этом способе яйца подвергают анализу ядерного магнитного резонанса (ЯМР) для получения изображения ЯМР и выбирают яйца из множества яиц по конкретной характеристике на основе изображения ЯМР. В одном из вариантов осуществления с помощью изображения ЯМР определяют протонную конфигурацию в желтке. Авторы настоящего изобретения заявляют, что оплодотворение яйца приводит к специфическому изменению протонной конфигурации, особенно, в желтке интересующего яйца, которое можно наблюдать посредством анализа ЯМР, даже непосредственно после откладывания. Таким образом, утверждают, что оплодотворение яйца можно определять на основе протонной конфигурации. В другом варианте осуществления с помощью изображения ЯМР предлагают определять, происходит ли деление клеток в яйце, в частности, в зародышевом диске, в результате оплодотворения. Для этого варианта не представлен конкретный пример или изображения ЯМР, а также не описано, как следует проводить различение. В заявке лишь упомянуто, что изображение ЯМР необходимо «сравнивать с изображениями ЯМР, хранящимися в базе данных». Фактически, даже неясно, действительно ли намеревались авторы этого патента проанализировать зародышевый диск или анализировали ли его когда-либо правильно. А именно, хотя эта заявка относится к «так называемой латебре, на которой расположен зародышевый диск в центре желтка», следует отметить, что зародышевый диск не располагается на латебре и находится не в центре желтка, а во внешней части желтка и соединен с латеброй лишь через длинную шейку латебры. Как бы то ни было, насколько известно авторам настоящего изобретения, способы и аппараты для определения оплодотворения яиц на основе ЯМР-визуализации до сих пор не могут работать достаточно надежно и эффективно таким образом, чтобы найти практическое применение.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
Проблемой, лежащей в основе настоящего изобретения, является предоставление неинвазивного способа, посредством которого можно автоматически идентифицировать неоплодотворенные яйца после откладывания яиц и до инкубации и обрабатывать большое число яиц, не повреждая или не изменяя яйца каким-либо образом. Этой задачи достигают с помощью способа по п.1 и аппарата по п.20. Предпочтительные варианты осуществления определены в зависимых пунктах формулы изобретения.
Согласно настоящему изобретению предусмотрен способ автоматизированного неинвазивного определения оплодотворения яйца птицы, включающий следующие этапы:
последовательную или параллельную конвейерную подачу множества яиц птицы в ЯМР-аппарат,
подвергание яиц птицы ЯМР-измерению, например, для генерации трехмерного изображения ЯМР по меньшей мере части каждого из упомянутых яиц, причем упомянутое трехмерное изображение ЯМР имеет пространственное разрешение в по меньшей мере одном измерении 1,0 мм или менее, предпочтительно - 0,50 мм или менее, причем упомянутая часть яйца включает зародышевый диск соответствующего яйца,
определение прогноза оплодотворения согласно по меньшей мере одной из следующих двух процедур:
(i) выявление по меньшей мере одного признака из каждого из упомянутых трехмерных изображений ЯМР и использование упомянутого по меньшей мере одного признака в классификаторе на основе признаков для определения прогноза оплодотворения, причем упомянутый по меньшей мере один признак выбран из группы, состоящей из диаметра зародышевого диска, объема зародышевого диска, формы зародышевого диска, текстуры зародышевого диска, расположения зародышевого диска в яйце, текстуры желтка, число и/или положения видимых при ЯМР колец в желтке, контраста колец в желтке, текстуры, объема или формы латебры, длины шейки латебры и соотношений между объемами или поверхностями двух или более из желтка, латебры, зародышевого диска и белка, и
(ii) использование алгоритма глубокого обучения, и в частности, алгоритма глубокого обучения на основе сверточных нейронных сетей, генеративно-состязательных сетей, рекуррентных нейронных сетей или нейронных сетей долгой краткосрочной памяти.
Авторы настоящего изобретения обнаружили, что оплодотворение куриного яйца можно определять с помощью трехмерных изображений ЯМР, включающих их зародышевый диск. Т.к. яйца можно подвергать ЯМР-измерениям без какого-либо повреждения скорлупы или внутренней части, это измерение не влияет отрицательно на вывод цыплят. В то же время можно избегать нежелательной инкубации неоплодотворенных яиц. Кроме того, т.к. отсутствие оплодотворения определяют до инкубации, яйца, определенные как неоплодотворенные, все равно можно использовать для питания, что невозможно после начала инкубации.
Более точно, при обработке изображения, например, для определения, например, диаметра зародышевого диска или объема зародышевого диска, можно видеть, что и диаметр, и объем неизменно отличаются между оплодотворенными и неоплодотворенными яйцами таким образом, что эти признаки можно использовать для их различения. Однако в рамках изобретения для надежного различения используют машинное обучение.
В одном из вариантов настоящего изобретения из трехмерного изображения ЯМР выявляют по меньшей мере один, но предпочтительно - по меньшей мере два признака, и признаки используют в классификаторе на основе признаков для определения оплодотворения. В настоящем описании, выражение «выявление признака из трехмерного изображения ЯМР» имеет широкое значение и должно включать любой возможный способ, с помощью которого признак можно получать на основе данных, представляющих собой трехмерное изображение. Например, необработанные данные изображения можно пропускать через подходящий фильтр, предназначенный для извлечения интересующего признака из данных. Однако аналогично возможны другие типы обработки изображений или обработки данных изображения для получения признаков.
В рамках изобретения признаки, подлежащие извлечению из трехмерного изображения ЯМР, являются заранее определенными или «построенными вручную». Важно, что по меньшей мере один, предпочтительно - по меньшей мере два из этих признаков используют в классификаторе на основе признаков. Особенно предпочтительным выбором в случае по меньшей мере одного признака является объем, диаметр или признак, относящийся к форме или текстуре зародышевого диска. Однако другие признаки аналогичным образом являются показательными для оплодотворения яйца, и их можно использовать в качестве одного из упомянутого по меньшей мере одного признака в классификаторе на основе признаков, например, расположения зародышевого диска в яйце, текстуры желтка, числа и/или положения видимых при ЯМР колец в желтке или контраста колец в желтке. Термин «видимые при ЯМР кольца» относится к кольцеобразным структурам, которые можно видеть на изображении ЯМР желтка и которые будут показаны ниже. Дополнительными признаками, которые можно использовать, являются текстура, объем или форма латебры, длина шейки латебры или соотношения между объемами или поверхностями двух или более из желтка, латебры, зародышевого диска и белка. Если в классификаторе на основе признаков используют два или более признаков, по меньшей мере один из них выбран из упомянутых выше признаков. В особенно предпочтительных вариантах осуществления по меньшей мере один из упомянутых двух или более признаков выбран из группы, состоящей из диаметра, объема или формы зародышевого диска. Кроме того, процедура (i), предпочтительно, является процедурой на основе машинного обучения.
Кроме того, если изображение ЯМР состоит из вокселов, упомянутое выше «пространственное разрешение в одном измерении» представляет собой размер воксела в соответствующем измерении. Предпочтительно, пространственное разрешение в по меньшей мере двух, более предпочтительно - в трех измерениях составляет 1,0 мм или менее, предпочтительно - 0,5 мм или менее.
Вместо анализа на основе заранее определенных или «построенных вручную» признаков в альтернативном варианте прогноз оплодотворения осуществляют с использованием алгоритма глубокого обучения, и в частности, алгоритма глубокого обучения на основе сверточных нейронных сетей, генеративно-состязательных сетей, рекуррентных нейронных сетей или нейронных сетей долгой краткосрочной памяти. Другими словами, вместо указания программе, какие признаки следует учитывать для классификации по оплодотворению, при использовании второго варианта алгоритм сам находит характерные признаки посредством обучения. Фактически, авторы настоящего изобретения могут показать, что с использованием алгоритма сверточной нейронной сети в отношении трехмерных изображений ЯМР можно выдать прогноз состояния оплодотворения яйца с точностью 97,3% при соответствующем обучении.
В предпочтительном варианте осуществления этап определения прогноза оплодотворения осуществляют с помощью классификационного модуля, причем упомянутый способ дополнительно включает этап конвейерной подачи упомянутого множества яиц птицы из упомянутого ЯМР-аппарата и сортировки яиц согласно выданному упомянутым классификационным модулем (38) прогнозу оплодотворения.
В предпочтительном варианте осуществления в классификаторе на основе признаков используют ядерный метод, в частности, метод опорных векторов, метод релевантных векторов или ядерный перцептрон, квадратичный дискриминантный анализ или линейный дискриминантный анализ, деревья классификации, методы случайного леса или наивный классификатор Байеса.
В рамках изобретения термин «ядерные методы» понимают как метод, в которых используют ядерные функции, позволяющие работать в многомерном пространстве, в котором признаки можно переупорядочивать для более простой идентификации образов и границ классов. Подходящим ядерным методом в целях по изобретению является метод опорных векторов (SVM). Учитывая набор обучающих признаков, SVM обнаруживает линейное представление, разделяющее классы с наибольшим возможным запасом. Когда необходимо классифицировать новую точку данных, SVM помещает ее в одну из групп не-вероятностным способом. По своей сути он является линейным классификатором, но с помощью него можно решать нелинейные проблемы посредством нахождения правильной ядерной функции. Более подробно метод опорных векторов описан в Cristianini, N. & Shawe-Taylor, J. An Introduction to Support Vector Machines and other kernel based learning methods. Ai Magazine 22, 190 (2000).
Дополнительным предпочтительным ядерным методом для целей по настоящему изобретению является метод релевантных векторов (RVM). По существу, он представляет собой SVM с использованием вероятностного ядра (как правило, гауссова ядра) для получения вероятностной классификации. Дополнительные подробности метода релевантных векторов описаны в Tipping, M. E. Sparse Bayesian Learning and the Relevance Vector Machine. J. Mach. Learn. Res. 1, 211-244 (2001).
Другим предпочтительным способом является ядерный перцептрон. В то время как модели, обучаемые с помощью классического перцептрона, можно использовать только для проблем линейной бинарной классификации, ядерный перцептрон работает в многомерном пространстве, в котором соответствующая ядерная функция может преобразовывать нелинейную проблему в линейную (также см. Dekel, O., Shalev-Shwartz, S. & Singer, Y. The forgetron: a kernel-based perceptron on a budget. SIAM J. Comput. 37/5, 1342-1372 (2008)).
Линейный дискриминантный анализ (LDA) является методом, с помощью которого пытаются идентифицировать линейную комбинацию признаков, по которым разделяют два или более классов. Таким образом, во время обучения он учитывает гауссово распределение функций плотности условного распределения каждого класса и обучается пороговому значению классификации, зависящему от среднего и ковариации этих распределений. Более подробно это описано в Mika, S., Ratsch, G., Weston, J., Schölkopf, B. & Muller, K.-R. Fisher discriminant analysis with kernels. Ieee 41-48 (1999). doi:10.1109/NNSP.1999.788121, и McLachlan, G. J. Discriminant analysis and statistical pattern recognition. Wiley series in probability and statistics (2004). doi:10/1002/0471725293. LDA представляет собой упрощение квадратичного дискриминантного анализа (QDA), при котором учитывают гомоскедастичность, что означает, что ковариации функций плотности условного распределения каждого класса равны. В этом случае, квадратичный член QDA можно опускать из формального уравнения. По своей сути LDA и QDA имеют общую концепцию и построение: в одном используют вероятностную информацию, которую можно получать из признаков, для получения линейного (LDA) или квадратичного (QDA) порогового значения, с помощью которого лучше всего можно разделить классы.
Деревья классификации представляют собой древовидные структуры, принимающих векторы признаков в качестве входных данных в стволе дерева, листья представляют собой метки классов, и ветви представляют собой конъюнкции признаков, прокладывающих путь через дерево. Во время обучения они обучаются порогу принятия решения каждой ветвью в пространстве признаков. Однако обнаружено, что они склонны к переобучению. Более подробно это описано в 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>.
В рамках изобретения метод случайного леса представляет собой ансамбль выращенных случайным образом деревьев классификации. Рабочий принцип основан на усреднении выходных данных множества деревьев классификации для снижения переобучения. Более подробно это описано в Breiman, L. Random forests. Mach. Learn. 45, 5-32 (2001).
Наивные классификаторы Байеса представляют собой семейство вероятностных классификаторов. Они основаны на теореме Байеса, и в них учитывают независимость признаков (таким образом, их обозначают как «наивные»). Классификация основана на максимальном апостериорном критерии, т.е. обнаружении класса, для которого произведение его правдоподобия и априорной вероятности является максимальным. Правдоподобие и априорную вероятности узнают из обучающих данных. Более подробно это описано в Rish, I. An empirical study of the naive Bayes classifier. Empir. methods Artif. Intell. Work. IJCAI 22230, 41-46 (2001).
В предпочтительном варианте осуществления способ включает использование методов бустинга, в частности, методов адаптивного бустинга, методов логистического бустинга или методов вероятностного бустинга над деревьями.
В рамках изобретения «методов бустинга» представляют собой методов, с помощью которых проводят агрегирование «слабых» классификаторов для построения «сильных» классификаторов. Термин «слабый» классификатор определяют как любой способ классификации, работающий немного лучше, чем случайное угадывание, в то время как «сильные» классификаторы хорошо коррелируют с истинной классификацией. В этом смысле, метод случайного леса также можно рассматривать в качестве метода бустинга. В целях по настоящему изобретению тремя предпочтительными методами являются:
° Адаптивный бустинг (AdaBoost): Выходные данные слабых классификаторов комбинируют во взвешенной сумме. В отличие от нейронных сетей или SVM, AdaBoost во время обучения выбирает лишь те признаки, которые улучшают классификационную мощность модели (ср. 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)).
° Логистический бустинг (LogitBoost): Эволюция AdaBoost в вероятностное построение. Его подробное описание представлено в Jerome Friedman, Trevor Hastie and Robert Tibshirani. Additive logistic regression: a statistical view of boosting. Annals of Statistics 28(2), 2000. 337-407.
° Вероятностный бустинг над деревьями: С помощью него автоматически строят дерево, в котором в каждом узле ряд слабых классификаторов объединяют в сильный классификатор (ср. Tu, Z. Probabilistic boosting-tree: Learning discriminative models for classification, recognition, and clustering. в Proceedings of the IEEE International Conference on Computer Vision II, 1589-1596 (2005)).
В предпочтительном варианте осуществления при упомянутом ЯМР-измерении дополнительно определяют гистограмму коэффициентов диффузии в различных местоположениях в яйце, причем упомянутый прогноз оплодотворения дополнительно основан на форме гистограммы.
Авторы настоящего изобретения обнаружили, что форма гистограммы коэффициентов диффузии в различных местоположениях в яйце отличается для оплодотворенных и неоплодотворенных яиц. В настоящем описании гистограмма свидетельствует о том, как часто конкретные коэффициенты диффузии возникают при измерениях в различных местоположениях в яйце. Таким образом, анализируя форму гистограммы коэффициентов диффузии, можно выдать прогноз оплодотворения. Затем прогноз на основе формы гистограммы коэффициента диффузии можно использовать для улучшения прогноза на основе упомянутых выше методов.
Хотя, разумеется, существует множество путей анализа формы гистограммы коэффициентов диффузии, в предпочтительном варианте осуществления определение оплодотворения на основе формы гистограммы коэффициентов диффузии включает сравнение частоты возникновения по меньшей мере двух разных коэффициентов диффузии или диапазонов коэффициентов диффузии. Это является особенно простым путем характеризации формы гистограммы коэффициента диффузии, как доказано, приводящим к получению неожиданно надежных результатов.
В предпочтительном варианте осуществления упомянутые по меньшей мере два разных коэффициента диффузии или центры упомянутых по меньшей мере двух диапазонов коэффициентов диффузии различаются на 0,5-2,5 мм2/с, более предпочтительно - 0,75-1,5 мм2/с.
Из упомянутых по меньшей мере двух разных коэффициентов диффузии или центров упомянутых по меньшей мере двух диапазонов коэффициентов диффузии, один, предпочтительно, находится в диапазоне от 0,6 до 1,3 мм2/с, более предпочтительно - в диапазоне от 0,7 до 1,2 мм2/с, а другой, предпочтительно, находится в диапазоне от 1,5 до 2,5 мм2/с, более предпочтительно - в диапазоне от 1,7 до 2,3 мм2/с.
В предпочтительном варианте осуществления упомянутые различные местоположения в яйце распределены равномерно и, в частности, соответствуют вокселам изображения коэффициента диффузии.
В предпочтительном варианте осуществления при упомянутом ЯМР-измерении получают спектр ЯМР желтка, включающий пики, соответствующие воде и жиру, и выдача прогноза оплодотворения дополнительно основана на упомянутом спектре ЯМР.
Авторы настоящего изобретения неожиданно обнаружили, что, спектры ЯМР желтка оплодотворенных и неоплодотворенных яиц отличаются пиками, соответствующими воде и жиру. Таким образом, форма спектра ЯМР, включающего такие пики воды и жира, аналогичным образом характерна для оплодотворения, и ее можно использовать при определении.
Учитывая спектр, авторы настоящего изобретения наблюдали, что, если спектр, например, нормализуют по пикам, соответствующим жиру, пик, соответствующий воде, больше в неоплодотворенном яйце, чем в оплодотворенном яйце. Таким образом, одним из способов определения оплодотворения является получение соотношения пиков воды и жира. Однако существуют разные способы классификации оплодотворения на основе спектров ЯМР. В частности, можно вводить спектр или некоторые характеристики спектра, такие как высоты пиков и локализация пиков, в модуль машинного обучения, с помощью которого осуществляют классификацию.
Затем прогноз оплодотворения на основе спектров ЯМР можно использовать для дальнейшего улучшения прогноза на основе описанных выше способов.
В предпочтительном варианте осуществления яйца располагают на лотке в регулярном порядке, в частности, в конфигурации матрицы, во время упомянутой конвейерной подачи и ЯМР-измерения. Предпочтительно, число яиц, расположенных на упомянутом лотке, составляет по меньшей мере 36, более предпочтительно - по меньшей мере 50, и наиболее предпочтительно - по меньшей мере 120.
В предпочтительном варианте осуществления упомянутый ЯМР-аппарат включает набор радиочастотных катушек для приложения радиочастотных магнитных полей к яйцам, расположенным на лотке, и/или для детектирования сигналов ЯМР, причем упомянутый набор радиочастотных катушек включает одно или более из
- множества катушек, расположенных в плоскости, находящейся выше лотка, нагруженного яйцами, при конвейерной подаче в ЯМР-аппарат,
- множества катушек, расположенных в плоскости, находящейся ниже лотка, нагруженного яйцами, при конвейерной подаче в ЯМР-аппарат,
- множества катушек, расположенных в вертикальных плоскостях, простирающихся между рядами яиц на лотке при конвейерной подаче в ЯМР-аппарат, при этом ряды простираются параллельно направлению конвейерной подачи лотка в ЯМР-аппарат или из него.
В случае множества катушек, расположенных в плоскости, находящейся выше или ниже лотка, нагруженного яйцами, соотношение числа катушек и числа яиц, расположенных на упомянутом лотке, составляет, предпочтительно, от 1:1 до 1:25, более предпочтительно - от 1:1 до 1:16, и наиболее предпочтительно - от 1:1 до 1:5.
В предпочтительном варианте осуществления упомянутый ЯМР-аппарат включает набор радиочастотных катушек для приложения радиочастотных магнитных полей к яйцам, расположенным на лотке (16), и/или для детектирования сигналов ЯМР, причем упомянутый набор радиочастотных катушек встроен в упомянутый лоток или прикреплен к нему.
В настоящем описании лоток, предпочтительно, включает множество выемок или углублений для приема соответствующего яйца, причем некоторое число катушек связано с каждой из упомянутых выемок или углублений, причем упомянутое число катушек на выемку или углубление составляет по меньшей мере 1, предпочтительно - по меньшей мере 2, более предпочтительно - по меньшей мере 3, и наиболее предпочтительно - по меньшей мере 4, и/или причем по меньшей мере некоторые из упомянутых катушек расположены вертикально относительно главной плоскости лотка или под углом по меньшей мере 50°, предпочтительно - по меньшей мере 75°, и наиболее предпочтительно - по меньшей мере 80° относительно главной плоскости лотка.
В предпочтительном варианте осуществления упомянутые трехмерные изображения ЯМР множества яиц получают с использованием параллельной визуализации, при которой реконструируют когерентные изображения набора яиц на основе измерений с помощью множества радиочастотных катушек.
В предпочтительном варианте осуществления упомянутые трехмерные изображения ЯМР множества яиц получают с использованием симультанного мультисрезового способа (SMS), при котором реконструируют мультиплексированные изображения набора яиц на основе измерений в разных частотных диапазонах.
В предпочтительном варианте осуществления трехмерные изображения ЯМР генерируют с использованием опознания по сжатию, позволяющего реконструировать изображения измерений, сделанных ниже частоты Найквиста.
В предпочтительном варианте осуществления трехмерные изображения ЯМР генерируют с использованием свободной прецессии в установившемся состоянии, быстрой экспозиции с малым углом отклонения и/или количественной визуализации в переходном состоянии.
В предпочтительном варианте осуществления способ дополнительно включает этап улучшения качества изображения ЯМР способом качественного переноса.
Предпочтительно, число яиц, подвергаемых параллельной конвейерной подаче в упомянутый ЯМР-аппарат, и генерирование изображений ЯМР предусмотрены так, что определение прогноза оплодотворения осуществляют со скоростью 20 секунд на яйцо или менее, предпочтительно - 10 секунд на яйцо или менее, и наиболее предпочтительно - 2 секунды на яйцо или менее.
В предпочтительном варианте осуществления генерируют трехмерное изображение ЯМР множества яиц, расположенных в регулярном порядке, в частности, в конфигурации матрицы, и изображение разбивают на изображения, соответствующие отдельным яйцам, подвергаемым упомянутому определению прогноза оплодотворения.
В предпочтительном варианте осуществления определение прогноза оплодотворения дополняют количественными данными измерений, выбранными из группы, состоящей из параметров релаксации, коэффициентов диффузии и дифузионно-тензорного картирования, данных множественного квантового ЯМР, данных нуль-квантового ЯМР, данных картирования восприимчивости и данных картирования T2*.
Дополнительный аспект изобретения относится к аппарату для автоматизированного неинвазивного определения свойства яйца птицы, в частности, оплодотворения или пола эмбриона, включающему: ЯМР-аппарат и конвейерное устройство для последовательной или параллельной конвейерной подачи множества яиц птицы в упомянутый ЯМР-аппарат и из упомянутого ЯМР-аппарата,
причем упомянутый ЯМР-аппарат выполнен с возможностью подвергания яиц птицы ЯМР-измерению, причем упомянутый аппарат дополнительно включает классификационный модуль, выполненный с возможностью приема данных ЯМР, полученных при упомянутом ЯМР-измерении, и/или данных, выявленных из них, причем упомянутый классификационный модуль выполнен с возможностью определения прогноза свойства яйца на основе упомянутых данных ЯМР или выявленных из них данных, и
сортирующее яйца устройство для сортировки яиц согласно выданному упомянутым классификационным модулем (38) прогнозу свойства яйца.
В предпочтительном варианте осуществления упомянутый ЯМР-аппарат выполнен с возможностью подвергания яиц птицы ЯМР-измерению, например, для генерации трехмерного изображения ЯМР по меньшей мере части каждого из упомянутых яиц, причем упомянутое трехмерное изображение ЯМР имеет пространственное разрешение в по меньшей мере одном измерении 1,0 мм или менее, предпочтительно - 0,50 мм или менее, причем упомянутая часть яйца включает зародышевый диск соответствующего яйца (14), и причем упомянутый классификационный модуль (38) выполнен с возможностью определения прогноза оплодотворения согласно по меньшей мере одной из следующих двух процедур:
(i) выявление по меньшей мере одного признака из каждого из упомянутых трехмерных изображений ЯМР и использование упомянутого по меньшей мере одного признака в классификаторе на основе признаков для определения прогноза оплодотворения, причем упомянутый по меньшей мере один признак выбран из группы, состоящей из диаметра зародышевого диска, объема зародышевого диска, формы зародышевого диска, текстуры зародышевого диска, расположения зародышевого диска в яйце, текстуры желтка, числа и/или положения видимых при ЯМР колец в желтке, контраста колец в желтке, текстуры, объема или формы латебры, длины шейки латебры и соотношений между объемами или поверхностями двух или более из желтка, латебры, зародышевого диска и белка, и
(ii) использование алгоритма глубокого обучения, и в частности, алгоритма глубокого обучения на основе сверточных нейронных сетей, генеративно-состязательных сетей, рекуррентных нейронных сетей или нейронных сетей долгой краткосрочной памяти.
В процедуре (i), предпочтительно, по меньшей мере два признака выявляются из упомянутых трехмерных изображений ЯМР и используются в упомянутом классификаторе на основе признаков, причем по меньшей мере один из упомянутых по меньшей мере двух признаков выбирается из группы, представленной в предыдущем абзаце, и причем, предпочтительно, по меньшей мере один из упомянутых по меньшей мере двух признаков выбирают из группы, состоящей из диаметра зародышевого диска, объема зародышевого диска и формы зародышевого диска, причем упомянутая процедура, предпочтительно, представляет собой процедуру на основе машинного обучения.
В предпочтительном варианте осуществления в классификаторе на основе признаков используют ядерный метод, в частности, метод опорных векторов или метод релевантных векторов, ядерный перцептрон, квадратичный дискриминантный анализ или линейный дискриминантный анализ, деревья классификации, метод случайного леса или наивный классификатор Байеса. В настоящем описании упомянутый классификационный модуль дополнительно выполнен с возможностью использования методов бустинга, в частности, методов адаптивного бустинга, методов логистического бустинга или методов вероятностного бустинга над деревьями.
В предпочтительном варианте осуществления упомянутый ЯМР-аппарат выполнен с возможностью определения при упомянутом ЯМР-измерении гистограммы коэффициентов диффузии в различных местоположениях в яйце, и причем классификационный модуль выполнен так, что основывает упомянутый прогноз оплодотворения на форме гистограммы. В настоящем описании определение оплодотворения, предпочтительно, основано на форме гистограммы коэффициентов диффузии и включает сравнение частоты возникновения по меньшей мере двух разных коэффициентов диффузии или диапазонов коэффициентов диффузии,
причем упомянутые по меньшей мере два разных коэффициента диффузии или центры упомянутых по меньшей мере двух диапазонов коэффициентов диффузии, предпочтительно, различаются на 0,5-2,5 мм2/с, более предпочтительно - на 0,75-1,5 мм2/с, и/или
причем из упомянутых по меньшей мере двух разных коэффициентов диффузии или центров упомянутых по меньшей мере двух диапазонов коэффициентов диффузии один, предпочтительно, находится в диапазоне от 0,6 до 1,3 мм2/с, более предпочтительно - в диапазоне от 0,7 до 1,2 мм2/с, а другой, предпочтительно, находится в диапазоне от 1,5 до 2,5 мм2/с, более предпочтительно в диапазоне от 1,7 до 2,3 мм2/с, и/или
причем упомянутые различные местоположения в яйце распределены равномерно и, в частности, соответствуют вокселам изображения коэффициента диффузии.
В предпочтительном варианте осуществления упомянутый ЯМР-аппарат выполнен с возможностью определения при упомянутом ЯМР-измерении спектра ЯМР желтка, включающего пики, соответствующие воде и жиру, и дополнительно для прогноза оплодотворения на основе упомянутого спектра ЯМР. В настоящем описании упомянутое определение прогноза оплодотворения на основе спектра ЯМР, предпочтительно, включает определение упомянутого прогноза оплодотворения на основе отношения пиков, соответствующих воде и жиру, на упомянутом спектре ЯМР.
В предпочтительном варианте осуществления аппарата упомянутые яйца расположены на лотке в регулярном порядке, в частности, в конфигурации матрицы, во время упомянутой конвейерной подачи и ЯМР-измерения,
причем число яиц, расположенных на упомянутом лотке, предпочтительно, составляет по меньшей мере 36, более предпочтительно - по меньшей мере 50, и наиболее предпочтительно - по меньшей мере 120.
В предпочтительном варианте осуществления аппарата упомянутый ЯМР-аппарат включает набор радиочастотных катушек для приложения радиочастотных магнитных полей к яйцам, расположенным на лотке, и/или для детектирования сигналов ЯМР, причем упомянутый набор радиочастотных катушек включает одно или более из
- множества катушек, расположенных в плоскости, находящейся выше лотка, нагруженного яйцами, при конвейерной подаче в ЯМР-аппарат,
- множества катушек (30a), расположенных в плоскости, находящейся ниже лотка, нагруженного яйцами, при конвейерной подаче в ЯМР-аппарат,
- множества катушек, расположенных в вертикальных плоскостях, простирающихся между рядами яиц на лотке при конвейерной подаче в ЯМР-аппарат, при этом ряды простираются параллельно направлению конвейерной подачи лотка в ЯМР-аппарат или из него,
причем в случае множества катушек, расположенных в плоскости, находящейся выше или ниже лотка, нагруженного яйцами, соотношение числа катушек и числа яиц, расположенных на упомянутом лотке, предпочтительно, составляет от 1:1 до 1:25, более предпочтительно - от 1:1 до 1:16, и наиболее предпочтительно - от 1:1 до 1:5.
В предпочтительном варианте осуществления упомянутый ЯМР-аппарат включает набор радиочастотных катушек для приложения радиочастотных магнитных полей к яйцам, расположенным на лотке, и/или для детектирования сигналов ЯМР, причем упомянутый набор радиочастотных катушек встроен в упомянутый лоток или прикреплен к нему,
причем лоток, предпочтительно, включает множество выемок или углублений для приема соответствующего яйца, и причем некоторое число катушек связано с каждой из упомянутых выемок или углублений, причем упомянутое число катушек на выемку или углубление составляет по меньшей мере 1, предпочтительно - по меньшей мере 2, более предпочтительно - по меньшей мере 3 и наиболее предпочтительно - по меньшей мере 4, и/или причем по меньшей мере некоторые из упомянутых катушек расположены вертикально относительно главной плоскости лотка или под углом по меньшей мере 50°, предпочтительно - по меньшей мере 75°, и наиболее предпочтительно - по меньшей мере 80° относительно главной плоскости лотка.
В предпочтительном варианте осуществления упомянутый ЯМР-аппарат выполнен с возможностью получения трехмерных изображений ЯМР упомянутого множества яиц с использованием параллельной визуализации, при которой реконструируют когерентные изображения набора яиц на основе измерений с помощью множества радиочастотных катушек.
Дополнительно или альтернативно ЯМР-аппарат выполнен с возможностью получения упомянутых трехмерных изображений ЯМР упомянутого множества яиц с использованием симультанного мультисрезового метода (SMS), при котором реконструируют мультиплексированные изображения набора яиц (14) на основе измерений в разных частотных диапазонах.
Дополнительно или альтернативно упомянутый ЯМР-аппарат выполнен с возможностью получения трехмерных изображений ЯМР с использованием опознания по сжатию, позволяющего реконструировать изображения измерений, сделанных ниже частоты Найквиста.
Дополнительно или альтернативно упомянутый ЯМР-аппарат выполнен с возможностью получения трехмерных изображений ЯМР с использованием одного или более из свободной прецессии в установившемся состоянии, быстрой экспозиции с малым углом отклонения и количественной визуализации в переходном состоянии.
Дополнительно или альтернативно, упомянутый ЯМР-аппарат выполнен с возможностью улучшения качества изображений ЯМР методом качественного переноса.
В предпочтительном варианте осуществления аппарата число яиц, подвергаемых параллельной конвейерной подаче в упомянутый ЯМР-аппарат, и получение изображений ЯМР предусмотрено так, что определение прогноза оплодотворения можно осуществлять со скоростью 20 секунд на яйцо или менее, предпочтительно - 10 секунд на яйцо или менее, и наиболее предпочтительно - 2 секунды на яйцо или менее.
В предпочтительном варианте осуществления упомянутый ЯМР-аппарат выполнен с возможностью генерации трехмерного изображения ЯМР множества яиц, расположенных в регулярном порядке, в частности, в конфигурации матрицы, и для разбиения на изображения, соответствующие отдельным яйцам.
В предпочтительном варианте осуществления упомянутый ЯМР-аппарат дополнительно выполнен с возможностью получения количественных данных измерения, выбранных из группы, состоящей из параметров релаксации, коэффициентов диффузии и диффузионно-тензорного картирования, данных множественного квантового ЯМР, данных нуль-квантового ЯМР, данных картирования восприимчивости и данных картирования T2*.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
Фиг. 1 представляет собой схему аппарата для автоматизированного неинвазивного определения пола эмбриона в яйце птицы или оплодотворения яйца птицы.
Фиг. 2a представляет собой вид в перспективе набора радиочастотных катушек, расположенных в плоскости, параллельной лотку, нагруженному яйцами, и находящейся немного выше него.
Фиг. 2b представляет собой вид в перспективе набора радиочастотных катушек, расположенных в плоскости, параллельной лотку, нагруженному яйцами, и находящейся немного ниже него.
Фиг. 2c представляет собой вид в перспективе набора радиочастотных катушек, в котором катушки расположены в вертикальных плоскостях, простирающихся между рядами яиц на лотке, причем ряды простираются параллельно направлению конвейерной подачи лотка.
На фиг. 3 схематически показана часть подложки, включающая выемку для приема яйца и четыре радиочастотные катушки, встроенные в лоток, окружающий яйцо.
На фиг. 4 показаны дополнительные детали наборов катушек с фиг. 2A-C и 3.
Фиг. 5 представляет собой пример диаграммы, на которой показан ультрабыстрый сбор данных и реконструкция при ЯМР-визуализации.
На фиг. 6 показан трехмерный объем (представленный в виде множества двухмерных срезов) изображения ЯМР, который можно использовать в качестве входных данных для способа классификации на основе машинного обучения.
Фиг. 7 представляет собой изображение ЯМР яйца, на котором показана латебра, шейка латебры и зародышевый диск.
На фиг. 8 показаны два изображения ЯМР, включающие зародышевый диск в случае оплодотворенного яйца (слева) и неоплодотворенного яйца (справа).
На фиг. 9 показано распределение диаметра зародышевых дисков в случае оплодотворенных и неоплодотворенных яиц.
На фиг. 10 показано распределение объема зародышевых дисков в случае оплодотворенных и неоплодотворенных яиц.
Фиг. 11 представляет собой схему, на которой показан машинно-обучаемый классификатор на основе алгоритма извлечения построенных вручную признаков и бустинга.
Фиг. 12 представляет собой схему, на которой показана архитектура сверточной нейронной сети (CNN), используемая в различных вариантах осуществления настоящего изобретения.
На фиг. 13 показаны результаты классификации на основе архитектуры CNN с фиг. 12.
На фиг. 14 показана усредненная гистограмма коэффициента диффузии, полученная для множества оплодотворенных яиц (сплошная линия) и неоплодотворенных яиц (пунктирная линия).
Фиг. 15 представляет собой диаграмму рассеяния, на которой показаны пары значений гистограммы коэффициента диффузии при 1 мм2/с и 2 мм2/с для множества яиц.
На фиг. 16 показаны спектры ЯМР в случае оплодотворенных и неоплодотворенных яиц.
ОПИСАНИЕ ПРЕДПОЧТИТЕЛЬНОГО ВАРИАНТА ОСУЩЕСТВЛЕНИЯ
Для улучшения понимания принципов изобретения далее будет описан предпочтительный вариант осуществления, проиллюстрированный на чертежах, и для его описания будут использованы конкретные формулировки. Несмотря на это, следует понимать, что это не ограничивает объем изобретения, и предусмотрены такие изменения и дополнительные модификации проиллюстрированного аппарата и такое дополнительное использование принципов изобретения, проиллюстрированных в настоящем описании, какие известны в настоящее время специалисту в области, к которой относится изобретение, или какие будут известны в будущем.
На фиг. 1 показана схема аппарата 10 по предпочтительному варианту осуществления изобретения. Аппарат 10 включает конвейерное устройство 12 для конвейерной подачи множества яиц 14, расположенных в конфигурации матрицы на лотке 16, в ЯМР-аппарат18, обозначенный на фигуре пунктирной рамкой, и из него. В представленном варианте осуществления конвейерное устройство 12 включает конвейерную ленту 20, на которой можно располагать лотки 16. Движение конвейерной ленты 20 контролируют с помощью соответствующего транспортного контроллера 22.
ЯМР-аппарат18 включает магнитную установку 24 для обеспечения внешнего магнитного поля в z-направлении, с которым могут взаимодействовать спины ядер. Z-направление магнитного поля совпадает с направлением движения конвейерной ленты 20, но это не критично для функционирования аппарата 10. В представленном варианте осуществления магнитная установка 22 генерирует статическое магнитное поле, имеющее напряженность поля 1T, но изобретение этим не ограничено. Вместо этого можно использовать широкий спектр напряженностей магнитного поля, и в альтернативных вариантах осуществления изобретения может быть достаточно даже напряженности магнитного поля земли, как показано в Stepišnik, J., Eržen, V. & Kos, M. NMR imaging in the earth’s magnetic field. Magn. Reson. Med.15, 386-391 (1990), и Robinson, J. N. et al. Two-dimensional NMR spectroscopy in Earth’s magnetic field. J. Magn. Reson.182, 343-347 (2006).
Кроме того, ЯМР-аппарат 18 включает градиентные катушки 26, используемые для генерирования пространственных градиентов магнитного поля, используемых для шифрования изображений или, другими словами, разрешенных в пространстве ЯМР-измерений, способом, известным специалисту в этой области и дополнительно описанным в Lauterbur, P. C. Image formation by induced local interactions. Examples employing nuclear magnetic resonance. Nature 242, 190-191 (1973). Кроме того, градиентные катушки 26 также используют для повышения локальной гомогенности внешнего магнитного поля, создаваемого магнитной установкой 24. Градиентные поля, создаваемые градиентными катушками 26, контролируют с помощью контроллера 28 градиентов. В представленном варианте осуществления контроллер 28 градиентов оптимизируют для эффективного охвата пространства измерения (k-пространства) для повышения скорости измерения. В частности, контроллер 28 градиентов, предпочтительно, конфигурируют для осуществления эхо-планарной визуализации. Эхо-планарная визуализация подробно описана в Stehling, M., Turner, R. & Mansfield, P. Echo-planar imaging: magnetic resonance imaging in a fraction of a second. Science (80-. ).254, 43-50 (1991) и Mansfield, P. & Maudsley, A. A. Planar spin imaging by NMR. J. Phys. C Solid State Phys.9, L409-L412 (1976). Альтернативно, с помощью контроллера 28 градиентов можно контролировать градиентные катушки 26 для осуществления спирального считывания с использованием оптимального по быстродействию градиентного дизайна, как описано в 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), что делает возможной очень быструю ЯМР-визуализацию.
Многочисленные радиочастотные катушки 30 располагают так, чтобы окружить ими лоток 16, нагруженный яйцами 14, на конвейерной ленте 20, когда лоток 16 подают в ЯМР-аппарат 18. Как будет понятно специалисту в этой области, радиочастотные катушки 30 используют для получения радиочастотных импульсов, возбуждающих спины, и в частности, спины атомов водорода внутри яйца 14. Время, форму и силу импульсов контролируют с помощью контроллера 32 радиочастот. Периодическое воздействие на радиочастотные импульсы и градиенты делает возможной модуляцию измеряемого сигнала для быстрого шифрования изображений. Чтобы сделать возможными высокопроизводительные измерения, можно использовать быстрые последовательности импульсов, такие как быстрая экспозиция с малым углом отклонения или количественная визуализация в переходном состоянии, как более подробно описано в статьях 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)) и Gómez, P. A. et al. Accelerated parameter mapping with compressed sensing: an alternative to MR Fingerprinting. Proc Intl Soc Mag Reson Med (2017), соавторами которых являются авторы настоящего изобретения, и которые включены в настоящее описание по ссылке. Эти быстрые последовательности импульсов создают так, чтобы они были чувствительными к разным соответствующим параметрам, используемым в настоящем изобретении, в частности времени релаксации T1 и T2 и коэффициенту диффузии, а также к содержанию жира и воды или переносу намагниченности.
Кроме того, прецессионное движение возбужденных спинов во внешнем магнитном поле, обеспечиваемом магнитной установкой 24, приводит к потоку тока в радиочастотных катушках 30, который можно определять с помощью радиочастотного детектора 34. Радиочастотный детектор 34 преобразует поток тока из радиочастотных катушек 30 в интерпретируемый сигнал. Это включает аналого-цифровое преобразование, демодуляции и амплификации сигнала.
ЯМР-аппарат 18 дополнительно включает модуль для реконструкции изображения 36. В предпочтительных вариантах осуществления измерения от разных радиочастотных катушек 30 будут комбинировать с использованием способов параллельной визуализации, и реконструкции изображения достигают с использованием быстрого преобразования Фурье (FFT) полученных измерений. Способы параллельной визуализации подробно описаны в, Pruessmann, K. P., Weiger, M., Scheidegger, M. B. & Boesiger, P. SENSE: sensitivity encoding for fast MRI. Magn. Reson. Med.42, 952-962 (1999) и Uecker, M. et al. ESPIRiT - An eigenvalue approach to autocalibrating parallel MRI: Where SENSE meets GRAPPA. Magn. Reson. Med.71, 990-1001 (2014).
При использовании квантования в недекартовых координатах можно использовать неоднородное FFT, как описано в Fessler, J. A. and Sutton, B. Nonuniform Fast Fourier Transforms Using Min-Max Interpolation. IEEE Trans. Signal Process. 51, 560-574 (2003). В представленном варианте осуществления с помощью модуля для реконструкции изображения 36 выполняют продвинутые алгоритмы реконструкции, такие как низкоранговая матричная реконструкция или итеративные алгоритмы. Модуль для реконструкции изображения 36 выполнен с возможностью обработки данных разной размерности, а именно 1-мерных или 2-мерных сигналов ЯМР, двухмерных изображений, трехмерных объемов и 4-мерных временных рядов.
Данные, обрабатываемые с помощью модуля для реконструкции изображения 36, передаются в модуль для классификации яиц 38. В представленном варианте осуществления модуль для классификации яиц 38 выполняет две задачи, сегментацию и классификацию. В высокопроизводительном устройстве с помощью модуля для классификации яиц 38 сначала сегментируют поступающие изображения на части изображений, соответствующие отдельным яйцам 14. Затем часть изображения, соответствующую каждому отдельному яйцу 14, классифицируют по статусу оплодотворения, как более подробно описано ниже.
Результат классификации яиц поступает в сортирующее яйца устройство 40. В представленном варианте осуществления результат классификации поступает в сортирующее яйца устройство 40 в форме матрицы, содержащей кодируемые статус оплодотворения яиц 14 на упомянутом лотке 16. Учитывая эту информацию, с помощью сортирующего яйца устройства 40 можно отсортировывать яйца 14, определяемые как неоплодотворенные, или перераспределять яйца 14 на лотке 16 по оплодотворению. Как схематически показано на фиг. 1, сортирующее яйца устройство 40 содержит столько присосок 42, сколько яиц 14 на лотке 16, причем упомянутые присоски 42 соединены с вакуумным устройством (не показано). Когда присоска 42 приближается к соответствующему яйцу 14, яйцо 14 будет притягиваться и фиксироваться в присоске 42 под вакуумом таким образом, что его можно безопасно подбирать и осторожно опускать в другом месте.
И наконец, предусмотрен центральный контроллер 44, с целью передачи данных соединенный с каждым из упомянутых выше компонентов, вовлеченных в ЯМР-измерение, реконструкцию изображения, классификацию яиц и сортировку яиц, через соответствующие каналы передачи данных 45.
В ЯМР-аппарате 18, разработанном для классификации яиц в промышленных условиях, используют четко определенную геометрию сканирования. Яйца 14 поступают в ЯМР-аппарат 18 расположенными в конфигурации матрицы с рядами M и столбцами N на соответствующем лотке 16, причем столбцы расположены параллельно направлению конвейерной подачи на конвейерной ленте 20 на фиг. 1. В различных вариантах осуществления изобретения используют набор 30 радиочастотных катушек 30a, сконструированных для максимизации отношения сигнал-шум и минимизации времени сбора данных, что будет описано далее со ссылкой на фигуры 2-4. Т.к. амплитуда сигнала радиочастоты затухает с квадратом расстояния от источника излучения, при предпочтительном дизайне стремятся расположить радиочастотные катушки 30a как можно ближе к яйцам 14. Кроме того, с помощью набора 30 радиочастотных катушек 30a создают пространственную избыточность в принимающем поле, которую можно использовать в снижении времени сканирования.
На фиг. 2A-2C показаны три разных набора радиочастотных катушек 30, особенно подходящих для достижения предпочтительного отношения сигнал-шум и минимизации времени сбора данных. На каждой из фигур 2A-2C набор 30 радиочастотных катушек 30a схематически показан вместе с лотком 16, нагруженным яйцами 14. Показано, что каждая отдельная радиочастотная катушка 30a в наборе радиочастотных катушек 30 для простоты имеет петлевую геометрию, но аналогичным образом можно использовать другую геометрию. В варианте осуществления на фиг. 2A отдельные радиочастотные катушки 30a расположены в плоскости, параллельной лотку 16 и находящейся немного выше него. Число отдельных радиочастотных катушек 30a, необязательно, может соответствовать числу яиц 14. Предпочтительно, соотношение числа радиочастотных катушек 30a и числа яиц 14, расположенных на лотке 16, составляет от 1:1 до 1:25, более предпочтительно - от 1:1 до 1:16, и наиболее предпочтительно - от 1:1 до 1:5. Каждую из отдельных радиочастотных катушек 30a соединяют через соответствующую линию передачи 30b с контроллером 32 радиочастот и с радиочастотным детектором 34. Хотя на упрощенных фигурах все линии передачи 30b показаны в виде единого кабеля, следует понимать, что этот кабель включает множество отдельных проводов таким образом, что каждую радиочастотную катушку 30a из набора радиочастотных катушек 30 можно отдельно контролировать с помощью контроллера 32 радиочастот и считывать с помощью радиочастотного детектора 34. Стрелкой 46 обозначено направление конвейерной подачи лотка 16 с помощью конвейерного устройства 12.
На фигуре 2B показан набор радиочастотных катушек 30, схожий с показанным на фигуре 2A, расположенный, однако, ниже лотка 16.
На фигуре 2C показан набор радиочастотных катушек 30 из радиочастотных катушек 30a, расположенных вертикально и сбоку от яиц 14, а не выше или ниже, как в случаях, показанных на 2A и 2B. Для того чтобы не мешать движению яиц 14 на конвейерной ленте 20, радиочастотные катушки 30a из набора радиочастотных катушек 30 располагают в вертикальных плоскостях, простирающихся между рядами яиц 14 на лотке 16, при этом ряды простираются параллельно указанному стрелкой 46 направлению конвейерной подачи лотка 16 с помощью конвейерного устройства 12.
Т.к. зародышевый диск, как правило, плавает в верхней части яйца 14, интересующая область, в основном, находится в верхней половине яйца. Это подразумевает, что конфигурации на фиг. 2A (верхняя плоскость набора радиочастотных катушек 30) и фиг. 2C (радиочастотные катушки 30a, расположенные в продольных, вертикальных плоскостях) делают возможными меньшее расстояние между радиочастотными катушками 30a набора радиочастотных катушек 30 и интересующими областями в яйцах 14, чем при конфигурации на фигуре 2B, и, таким образом, предпочтительное отношение сигнал-шум. Однако, в различных вариантах осуществления набор радиочастотных катушек 30, расположенный в плоскости ниже лотка 16, как показано на фигуре 2B, можно использовать вместо любой из конфигураций с фиг. 2A и 2C или в комбинации с ней. Фактически, в ЯМР-аппарате 18 можно комбинировать любые две или все три конфигурации на фигурах 2A, 2B и 2C.
В альтернативном варианте осуществления радиочастотные катушки 30a прикрепляют к лотку 16 или встраивают в него, как показано на фиг. 3. На фиг. 3 схематически показана часть лотка 16, в которой сделана выемка 48 для приема яйца 14. К лотку 16 присоединяют или встраивают четыре радиочастотные катушки 30a, окружающие яйцо 14. Как правило, можно использовать одну или более радиочастотных катушек 30a на выемку 48. В других, особенно предпочтительных вариантах осуществления используют три, пять, шесть или восемь радиочастотных катушек 30a на выемку 48. Прикрепление или встраивание радиочастотных катушек 30a в лоток 16 делает возможными более плотное встраивание радиочастотных катушек 30a и меньшие расстояния до соответствующих яиц 14, не мешая конвейерной подаче яиц 14 на лотке 16, что делает возможным особенно высокое отношение сигнал-шум и минимизирует время сбора данных. Однако в этом варианте осуществления яйца 14 необходимо перемещать из лотков для транспортировки (не показаны) в специальные лотки для ЯМР 16, а затем на лотки для инкубации (не показаны).
На фиг. 4 показаны дополнительные детали наборов радиочастотных катушек 30, которые можно использовать независимо от конкретного геометрического расположения радиочастотных катушек 30a в наборе радиочастотных катушек 30 и которые, таким образом, можно использовать в любом из вариантов осуществления, показанных на фигурах 2A, 2B, 2C и 3. Как схематически показано на фиг. 4, каждая из радиочастотных катушек 30a может содержать антенную секцию 50, которая в представленных вариантах осуществления имеет форму круглой рамки. Однако аналогичным образом можно использовать антенные секции 50 с другой геометрией, такие как катушки Гельмгольца, соленоиды, седловидные катушки или цилиндрические катушки.
Кроме того, каждая радиочастотная катушка 30a содержит подстроечный конденсатор 52 для снижения взаимной индукции и настройки центральной частоты и предварительный усилитель 54, улучшающий настройку, согласования и развязки. Кроме того, каждую радиочастотную катушку 30a соединяют через линии передачи 56 с многоканальным ЯМР-спектрометром 58, в котором комбинируют функциональность контроллера 32 радиочастот и радиочастотного детектора 34, показанного на фиг. 1.
Безусловно, время ЯМР-измерения является ключевым для высокопроизводительного устройства. Таким образом, предпочтительные варианты осуществления изобретения оптимизируют для скоростного сбора данных и реконструкции. В частности, наборы радиочастотных катушек 30, описанные выше, подходят для параллельной визуализации, чтобы, таким образом, получать меньше информации на радиочастотную катушку 30a и комбинировать ее с использованием пространственной избыточности, например, для ускорения измерения.
В предпочтительных вариантах осуществления изобретения используют так называемый метод SENSE, описанный в Pruessmann, K. P., Weiger, M., Scheidegger, M. B. & Boesiger, P. SENSE: sensitivity encoding for fast MRI. Magn. Reson. Med.42, 952-962 (1999), в котором используют пространственную избыточность для получения подвыборки k-пространства и реконструкции сглаженных изображений. Схожим методом, который также можно использовать, является так называемый метод генерализованного частично параллельного сбора данных с автокалибровкой (GRAPPA), как описано в Griswold, M. A. et al., Generalized auto calibrating partially parallel acquisitions (GRAPPA), Magn. Res. Med 47, 1202-1210 (2002).
Для дополнительного повышения производительности используют многочастотные технологии, в которых используют несколько частот возбуждения для параллельного сбора данных при разной пространственной локализации вдоль туннеля магнитной установки 24, таким образом, также снижая общее время сканирования. Более подробное описание многочастотной технологии представлено в Feinberg, D. A. et al., Multiplexed echo planar imaging for sub-second whole brain fmri and fast diffusion imaging. PLoS One5, (2010), включенной в настоящее описание в качестве ссылки.
Помимо этих методов в предпочтительных вариантах осуществления используют так называемое опознание по сжатию, с помощью которого снижают число точек измерения, необходимых для реконструкции изображения, таким образом, вводя дополнительный коэффициент ускорения. Определение опознания по сжатию приведено в 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).
Кроме того, в предпочтительных вариантах осуществления осуществляют визуализацию в переходном состоянии, которую можно осуществлять сверхбыстрым образом и в которой можно использовать количественные параметры, как описано в работах, соавторами которых являются авторы настоящего изобретения, см. Gómez, P. A. et al., Accelerated parameter mapping with compressed sensing: an alternative to MR Fingerprinting. Proc Intl Soc Mag Reson Med (2017). Другой подходящий метод визуализации в переходном состоянии описан в Ma, D. et al., Magnetic resonance fingerprinting. Nature 495, 187-192 (2013).
Описанные выше конфигурации набора радиочастотных катушек и способы реконструкции изображения делают возможной быструю визуализацию трехмерного пространства, содержащего массив NxM яиц 14. В зависимости от геометрии радиочастотных катушек и выбранного способа обработки, в некоторых вариантах осуществления будут реконструировать одно изображение на яйцо 14, в то время как в других вариантах осуществления будут реконструировать одно изображение на лоток 16. В случае реконструкции одного изображения на яйцо 14, каждое изображение можно классифицировать отдельно. В случае реконструкции одного изображения на лоток 16, перед классификацией сначала необходимо сегментировать отдельные яйца 14 на изображении. Существует множество способов сегментации, которые можно использовать, но, учитывая простоту геометрии лотков 16, предпочтительным решением является предварительное определение решетки, соответствующей каждой выемке 48 с одним яйцом 14.
Для достижения сканирования большого числа яиц в секунду в предпочтительных вариантах осуществления используют быструю импульсную последовательность. Как правило, они отличаются тем, что не ограничены временем повторения (TR). Среди них, предпочтительной является свободная прецессия в установившемся состоянии (SSFP), например, как описано в Carr, H. Y. Steady-state free precession in nuclear magnetic resonance. Phys. Rev. 112, 1693-1701 (1958). В этом семействе импульсных последовательностей используют повторяющееся радиочастотное возбуждение протонов за очень небольшое время повторения (TR) порядка десятков миллисекунд. В результате намагниченность никогда полностью не реконструируется, но достигает установившегося состояния после нескольких радиочастотных возбуждений. Когда это происходит, можно считывать часть изображения в каждом из этих ультракоротких TR, агрегируя их, чтобы быстро охватить все пространство измерения. Это семейство последовательностей отличается тем, что является высокоэффективным в терминах отношения сигнал-шум на единицу времени. По этому принципу также можно использовать быструю экспозицию с малым углом отклонения (FLASH). Как и SSFP, она имеет TR порядка десятков миллисекунд, но в отличие от SSFP, при нем учитывают реконструкцию сигнала после каждого TR из-за небольшого возбуждения, вызываемого небольшим углом отклонения. По тем же принципам, при распознавании магнитно-резонансных отпечатков и количественной импульсной визуализации сбор данных доводят до предела, проводя измерение в переходном состоянии (до достижения установившегося состояния). Они обладают преимуществом, состоящим в получении не только структурных изображений, но также и количественных карт магнитных параметров ткани.
Для дополнительного снижения времени сбора данных можно измерять образцы ниже частоты Найквиста и осуществлять реконструкцию с использованием параллельной визуализации, как описано в статьях Pruessmann et al., Griswold, M. A. et al. и Uecker, M. et al., ESPIRiT - An eigenvalue approach to autocalibrating parallel MRI: Where SENSE meets GRAPPA. Magn. Reson. Med. 71, 990-1001 (2014), и опознания по сжатию, как описано в указанной выше статье Lustig et al. При параллельной визуализации используют преимущество избыточности катушек и пространственной информации, получаемой с помощью охвата радиочастотных катушек. Например, в наборе радиочастотных катушек, охватывающих область пространства, с помощью каждой катушки будут измерять разные сигналы при условии, что они расположены в разных местах. Различия между этими сигналами, а также карта радиочастотной чувствительности каждой катушки, позволяют реконструировать отсутствующую информацию. Это концепция может получить дальнейшее развитие при использовании опознания по сжатию. При опознании по сжатию используют избыточность и корреляции, присутствующие на природных изображениях. Используя эти корреляции, можно получать данные ниже частоты Найквиста и все равно реконструировать полные изображения. Для работы опознанию по сжатию необходим рандомизированный выбор матрицы измерений и нелинейную реконструкцию, что обеспечивает согласованность данных в комбинации с регуляризацией. Конечным результатом комбинированной параллельной визуализации и опознания по сжатию является значительно ускоренный сбор данных.
Дополнительный уровень параллелизации доступен при использовании симультанного мультисрезового способа (SMS), как описано в статье Feinberg et al., указанной выше. С помощью этого способа мультиплексируют проблему сбора данных в разных частотных диапазонах с использованием многодиапазонных радиочастотных импульсов. Таким образом, можно измерять множество областей сканируемого объекта одновременно по множеству частотных диапазонов.
И наконец, также можно получать данные при более грубом разрешении и снижать размер вокселов во время так называемого этапа качественного переноса. Способ качественного переноса подробно описан в Alexander, D. C. et al. Image quality transfer and applications in diffusion MRI. Neuroimage 152, 283-298 (2017) и Tanno, R. et al. Bayesian Image Quality Transfer with CNNs: Exploring Uncertainty in dMRI Super-Resolution. (2017). <http://arxiv.org/abs/1705.00664>. Эти способы основаны на подходе машинного обучения, в котором модель, например, метода случайного леса, обучают для захвата деталей высокого разрешения и их переноса в данные низкого разрешения.
Все способы ЯМР-визуализации, как правило, включают общий двухэтапный способ сканирования изображения: сбор данных и реконструкцию. Как правило, при МРТ время сбора данных значительно превышает время реконструкции. При комбинировании быстрых импульсных последовательностей с многодиапазонной параллельной визуализацией и опознанием по сжатию жертвуют временем сбора данных в пользу времени реконструкции, и последнее может значительно выигрывать от вычислительной мощности и интеллектуальных алгоритмов реконструкции, позволяющих реконструировать исходное изображение. В результате, при использовании такой конфигурации общее время сбора данных и реконструкции снижают на несколько порядков. Схема, на которой приведено описанное выше, показана на фиг. 5.
Используя аппарат 10, показанный на фиг. 1, вместе с наборами катушек 30, показанными на фиг. 2-4, можно получать трехмерный объем яйца, представленный в виде множества двухмерных срезов изображения ЯМР типа, показанного на фиг. 6.
В целях по изобретению наиболее интересной частью трехмерного изображения ЯМР является часть, включающая зародышевый диск. На фиг. 7 показан срез трехмерного изображения ЯМР, на котором можно различать латебру 1, шейку латебры 2 и зародышевый диск 3.
На фиг. 8 для сравнения показаны два среза изображения ЯМР, на которых слева показано оплодотворенное яйцо, а справа показано неоплодотворенное яйцо. В каждом случае зародышевый диск расположен в белом квадрате. Видно, что зародышевый диск оплодотворенного яйца по размеру и форме отличается от зародышевого диска неоплодотворенного яйца.
На фиг. 9 показано распределение диаметров зародышевого диска, извлеченных из данных изображения ЯМР для 100 разных яиц и сортированных как оплодотворенные и неоплодотворенные. Видно, что диаметры зародышевого диска в оплодотворенных яйцах больше, чем в неоплодотворенных яйцах. Однако наблюдают некоторое перекрывание, таким образом, при распознавании только на основе диаметра на практике придется столкнуться с ошибками прогноза.
На фиг. 10 показано распределение объемов зародышевого диска, извлеченных из данных изображения ЯМР для 30 разных яиц и сортированных как оплодотворенные и неоплодотворенные. Видно, что объем зародышевого диска больше в оплодотворенных яйцах, чем в неоплодотворенных яйцах, но при распознавании только на основе измеряемого объема также на практике придется столкнуться с ошибками прогноза.
Для обеспечения надежного прогноза оплодотворения по одному из вариантов осуществления изобретения из каждого из трехмерных изображений ЯМР выявляют по меньшей мере два признака, и упомянутые по меньшей мере два признака используют в классификаторе на основе признаков для определения прогноза оплодотворения. Основывая эту классификацию на по меньшей мере двух признаках, можно снижать или даже полностью устранять неопределенность, которая может возникать при использовании только диаметра или объема зародышевого диска. Перспективными признаками для использования с этой целью являются диаметр и объем зародышевого диска, т.к. при ЯМР-измерениях, представленных в настоящем описании, наблюдают, что эти признаки сами по себе характерны для оплодотворения яйца. Таким образом, в предпочтительных вариантах осуществления по меньшей мере один из признаков, используемых для классификации, соответствует диаметру или объему зародышевого диска. Дополнительным полезным признаком является форма зародышевого диска. Как можно видеть на фиг. 8, в оплодотворенном яйце, показанном слева, зародышевый диск имеет «V-образную форму» на соответствующем срезе ЯМР, что фактически, как обнаружено, характерно для оплодотворенных яиц, и что отсутствует в неоплодотворенных яйцах справа на фиг. 8.
Однако также можно использовать другие признаки, и накопление множества признаков будет лишь улучшать точность классификации. Например, можно использовать признаки, касающиеся расположения зародышевого диска в яйце или текстуры желтка. В частности, как очевидно из фиг. 7 и 8, на изображениях ЯМР можно видеть множество кольцеобразных структур, обозначаемых в настоящем описании как «видимые при ЯМР кольца». Из этих «видимых при ЯМР колец» можно получать дополнительные признаки, например, число видимых при ЯМР колец, их положение в желтке и/или их контраст на изображении ЯМР. Дополнительно или альтернативно, в качестве признаков для использования в классификаторе на основе признаков для определения прогноза оплодотворения можно использовать текстуру, объем или форму латебры, длину шейки латебры или соотношения между объемами или поверхностями двух или более из желтка, латебры, зародышевого диска и белка. Необходимо отметить, что эти признаки также в настоящем описании обозначают как «построенные вручную признаки», т.к. эти признаки являются заранее определенными, и данные изображений ЯМР обрабатывают так, чтобы получать из них эти специальные признаки.
В иллюстративных целях на фиг. 11 схематически показан пример машинно-обучаемого классификатора на основе построенных вручную признаков. Классификация состоит из двух этапов. Сначала полученное изображение (необработанные данные) пропускают через набор фильтров, предназначенных для извлечения N специальных признаков изображения, т.е. объемов, расстояний, форм, текстур и т.д. Используя эти признаки, обучают N-мерный классификатор. В этом примере, показано M более слабых классификаторов, вместе работающих как сильный классификатор при использовании одного из описанных выше методов бустинга. Этими более слабыми классификаторами, например, являются SVM, дерево классификации, перцептрон, наивные классификаторы Байеса и др.
Вместо использования заранее определенных или «построенных вручную» признаков в других вариантах осуществления этапа извлечения признаков и классификации полностью встроены в архитектуры глубокого обучения, подобные сверточным нейронным сетям (CNN). Идея состоит в том, что, т.к. можно показать, что изображения ЯМР в принципе несут информацию, посредством которой можно определять оплодотворение, то можно использовать архитектуру глубокого машинного обучения для обнаружения признаков, которые следует учитывать на этапе классификации. В этих архитектурах есть три основных элемента, хотя, в зависимости от реализации, могут быть варианты:
1. Сверточные слои: Конволюция играет роль выделителя признаков изображения. В этих слоях нейроны распределены по картам признаков и соединены с соседними нейронами в предыдущих слоях с помощью набора весов. Эти веса отличаются для разных карт признаков, что позволяет извлекать несколько признаков из одной области изображения.
2. Слои пулинга: Они предназначены для достижения пространственной инвариантности искажений и переводов входных сигналов. Этого достигают посредством снижения пространственного разрешения и распространения на следующий слой некоторой локальной метрики карт признаков. Существует несколько схем пулинга, среди которых наиболее используемыми являются средний и максимальный пулинг.
3. Полносвязные слои: С помощью них собирают признаки, извлекаемые сверточными слоями и слоями пулинга, и осуществляют основанную на них классификацию.
CNN должны обучаться своим трем параметрам (весам и смещениям) для выполнения своей функции. Этот процесс может быть основан на функции потерь, по которой вычисляют ошибку классификации и алгоритм обучения (например, обратного распространения ошибки) для определения корректировки параметров CNN с учетом ошибки. Основной задачей CNN является избежание переобучения или способности обобщать классификацию на данные, не использованные в обучении. Полезным подходом для контроля переобучения является использование валидационной выборки данных во время обучения, используемое в предпочтительных вариантах осуществления настоящего изобретения. Оно включает разделение выборки на две группы, обучающую и валидационную. Как показывают их названия, первую используют для обучения, в то время как с помощью второй контролируют то, что точности и ошибки улучшаются не только в обучающей выборке, но также и в данных, не использованных в обучении.
Пример CNN для использования в предпочтительных вариантах осуществления изобретения схематически показан на фиг. 12. Изображение ЯМР с размерностями HxW сворачивают с использованием C ядер размера hxw для извлечения карт признаков. Затем с помощью Cn операций пулинга и конволюции преобразуют размерности карт признаков в HnxWn, n=[1, p]. И наконец, q полносвязных слоев с Lm нейронов на слой (m=[1, q]) принимают признаки, полученные на предыдущих этапах, для осуществления классификации изображения.
Используя CNN общей структуры, показанной на фиг. 12, и осуществляя обучение и валидацию на основе 300 яиц, половина из которых являются оплодотворенными, а половина - неоплодотворенными, можно достигать точности 97,3% в валидационной выборке, как видно на фиг. 13. В настоящем описании используют реализацию CNN AlexNet (Krizhevsky, A., Sutskever, I. & Hinton, G. E. ImageNet Classification with Deep Convolutional Neural Networks. Adv. Neural Inf. Process. Syst. 1-9 (2012). doi:http://dx.doi.org/10.1016/j.protcy.2014.09.007).
На фиг. 13 показаны потери и точность для обучающих данных (т.е. изображений ЯМР 250 яиц) и валидационных данных (данные ЯМР 50 яиц). Как видно, после 50 эпох обучения (итераций) точность классификации на основе обучающих данных уже достигает приблизительно 100%. Этот очень высокий коэффициент является результатом упомянутого выше «переобучения», но, разумеется, важным вопросом является то, как CNN обрабатывает изображения ЯМР яиц, которые не использовали при обучении. Это отражено точностью для валидационных данных, которая после 50 эпох обучения все равно достигает 97,3%, что свидетельствует о том, что способ по изобретению работает четко, с надежностью и точностью, делающими возможность коммерчески привлекательную реализацию.
Необходимо отметить, что и классификация на основе признакового классификатора, и алгоритм глубокого обучения принципиально отличаются от «сравнения с изображениями ЯМР, хранящимися в базе данных», как описано в указанном выше EP 0 890 838 B1. Фактически, сомнительно, что с помощью такого сравнения можно сделать надежный прогноз оплодотворения, и в этом документе не представлены какие-либо экспериментальные данные, позволяющие предполагать это.
В различных вариантах осуществления изобретения можно использовать генеративно-состязательные сети. В генеративно-состязательных сетях (GAN) одновременно обучают две нейронные сети. Первую обучают, как генерировать искусственные изображения из пространства выборки, а вторая пытается определить, являются ли генерируемые изображения искусственными или нет. Их называют состязательными, т.к. генеративные сети пытаются «обмануть» классификационную сеть посредством обучения тому, как создавать изображения, которые кажутся настоящими. За этим стоят две идеи: 1) Можно в конечном итоге перейти от обучения с учителем к обучению без учителя, создавая собственную синтетическую выборку данных и снижая потребность в «настоящих обучающих» изображениях. 2) Можно копировать ту же архитектуру для обучения одной сети генерированию «изображений оплодотворенных и неоплодотворенных яиц», а второй - классификации их в состязательной конфигурации. Более подробно это описано в Goodfellow, I. J. et al. Generative Adversarial Networks. (2014). <http://arxiv.org/abs/1406.2661>.
На фиг. 14 показана усредненная гистограмма коэффициента диффузии D всего множества оплодотворенных яиц (сплошная линия) и неоплодотворенных яиц (пунктирная линия). На гистограмме для каждой из соответствующих ячеек параметров подсчитывают число вокселов, попадающих в ячейку. D представляет собой молекулярный коэффициент самодиффузии (также обозначаемый как «константа диффузии») молекул воды, определенный Альбертом Эйнштейном в 1905 году (A. Einstein in «Ann Physik», 17, p 549 (1905)). В отличие от закона Фика, для этого определения не требуется «градиент». Вместо этого, можно рассматривать некоторый небольшой объем молекул воды внутри большого объема. После ожидания в течение некоторого периода времени t, число молекул воды будет «диффундировать» вне этого объема в результате броуновского движения. Коэффициент диффузии описывает то, как быстро происходит этот процесс. Уравнение диффузии Эйнштейна описывает расстояние X для молекул воды, перемещающихся в результате броуновского движения:
X2=2⋅D⋅t.
При ЯМР этот процесс можно измерять с использованием сигнала ЯМР воды и приложения градиента магнитного поля. Коэффициент диффузии D воды изменяется под действием некоторых анатомических структур. Например, если есть диффузионный барьер, подобный мембране клетки, D будет снижаться.
Коэффициенты диффузии, приведенные на фиг. 14, определяли для каждого из вокселов изображения коэффициента диффузии всего объема множества яиц. Как видно на фиг. 14, на гистограмме показаны очень схожие значения, близкие к 2 мм2/с (соответствующие белку), но коэффициенты диффузии, близкие к 1 мм2/с (обнаруживаемые в областях внутри желтка), чаще обнаруживают в неоплодотворенных яйцах, чем в оплодотворенных яйцах. Таким образом, это различие можно использовать в качестве критерия для определения оплодотворения, который можно включать в машинное обучение, чтобы, таким образом, дополнительно повысить точность.
На фиг. 15 показана диаграмма рассеяния пар значений на гистограмме коэффициента диффузии 1 мм2/с и 2 мм2/с для девяти оплодотворенных и десяти неоплодотворенных яиц. Как видно на фиг. 11, на простой диаграмме рассеяния все, кроме одного яйца, каждого типа находятся на соответствующей стороне от пунктирной разделительной линии, соответствующей отношению значений гистограммы при 2 и 1 мм2/с, при этом соотношение, как правило, превышается в случае оплодотворенных яиц и не достигается в случае неоплодотворенных яиц.
На фиг. 16 показан спектр ЯМР желтка оплодотворенных и неоплодотворенных яиц. На спектре показан пик при приблизительно 1 м.д., соответствующий жиру, и пик при приблизительно 4,7 м.д. соответствующий воде. Авторы настоящего изобретения обнаружили, что отношение высоты пика жира и высоты пика воды выше для неоплодотворенных яиц, чем для оплодотворенных яиц. Таким образом, учитывая это отношение, аналогичным образом можно различать оплодотворенные и неоплодотворенные яйца.
В предпочтительных вариантах осуществления для повышения надежности прогноза можно комбинировать один или оба из двух показателей оплодотворения, т.е. формы гистограммы коэффициентов диффузии и отношения пиков жира и воды. Необходимо отметить, что сравнение значений на гистограмме при 1 мм2/с и 2 мм2/с является только одним из способов использования характерной формы гистограммы коэффициентов диффузии. В предпочтительных вариантах осуществления всю гистограмму коэффициентов диффузии можно представлять алгоритму машинного обучения, который автоматически обучается различать гистограммы коэффициентов диффузии, соответствующие оплодотворенным и неоплодотворенным яйцам. На фиг. 15 показано, что на гистограмме коэффициентов диффузии есть достаточно информации об оплодотворении для правильного различения, которую затем можно правильно учитывать с помощью модуля машинного обучения, такого как соответствующим образом выполненный модуль для классификации яиц 38.
Аналогично, хотя соотношение пиков жиров и воды на спектре на фиг. 16 является лишь одним из способов распознавания оплодотворения яйца на основе спектра, в альтернативных вариантах осуществления весь спектр можно представлять модулю машинного обучения, такому как соответствующим образом выполненный модуль для классификации яиц 38, который после достаточного обучения может различать оплодотворенные и неоплодотворенные яйца на основе спектра.
СПИСОК ССЫЛОЧНЫХ ПОЗИЦИЙ
1 латебра
2 шейка латебры
3 зародышевый диск
10 аппарат для неинвазивного определения оплодотворения яйца
12 конвейерное устройство
14 яйцо
16 лоток
18 ЯМР-аппарат
20 конвейерная лента
22 транспортный контроллер
24 магнитная установка
26 градиентные катушки
28 контроллер градиентов
30 набор радиочастотных катушек
30a радиочастотная катушка
32 контроллер радиочастот
34 радиочастотный детектор
36 модуль для реконструкции изображения
38 модуль для классификации яиц
40 сортирующее яйца устройство
42 присоска сортирующего яйца устройства 40
44 центральный контроллер
45 канал передачи данных
46 направление подачи
48 выемка в лотке 16
50 антенная секция
52 подстроечный конденсатор
54 предварительный усилитель
56 линии передачи
58 ЯМР-спектрометр
60 интерфейс пользователя.
Claims (65)
1. Способ автоматизированного неинвазивного определения оплодотворения яйца (14) птицы, включающий следующие этапы:
последовательная или параллельная конвейерная подача множества яиц (14) птицы в ЯМР-аппарат (18),
подвергание яиц (14) птицы ЯМР-измерению и генерация трехмерного изображения ЯМР по меньшей мере части каждого из упомянутых яиц (14), причем упомянутое трехмерное изображение ЯМР имеет пространственное разрешение в по меньшей мере одном измерении 1,0 мм или менее, предпочтительно - 0,50 мм или менее, причем упомянутая часть яйца (14) включает зародышевый диск соответствующего яйца (14),
определение прогноза оплодотворения посредством выявления по меньшей мере одного признака из каждого из упомянутых трехмерных изображений ЯМР и использования упомянутого по меньшей мере одного признака в классификаторе на основе признаков для определения прогноза оплодотворения,
причем упомянутый по меньшей мере один признак выбран из группы, состоящей из диаметра зародышевого диска, объема зародышевого диска, формы зародышевого диска, текстуры зародышевого диска, расположения зародышевого диска в яйце и соотношения между объемами или поверхностями зародышевого диска и одного из желтка, латебры и белка.
2. Способ по п. 1, причем по меньшей мере два признака выявляют из упомянутых трехмерных изображений ЯМР и используют в упомянутом классификаторе на основе признаков, причем по меньшей мере один из упомянутых по меньшей мере двух признаков выбирают из группы, указанной в п. 1, и причем предпочтительно по меньшей мере один из упомянутых по меньшей мере двух признаков выбирают из группы, состоящей из диаметра зародышевого диска, объема зародышевого диска и формы зародышевого диска, причем упомянутая процедура предпочтительно является процедурой на основе машинного обучения.
3. Способ по п. 1 или 2, причем упомянутый этап определения прогноза оплодотворения осуществляют с помощью классификационного модуля (38), причем упомянутый способ дополнительно включает этап конвейерной подачи упомянутого множества яиц (14) птицы из упомянутого ЯМР-аппарата (18) и сортировки яиц (14) согласно выданному упомянутым классификационным модулем (38) прогнозу оплодотворения.
4. Способ по любому из предшествующих пунктов, причем в классификаторе на основе признаков используют ядерный метод, в частности метод опорных векторов или метод релевантных векторов, ядерный перцептрон, квадратичный дискриминантный анализ или линейный дискриминантный анализ, деревья классификации, метод случайного леса или наивный классификатор Байеса.
5. Способ по п. 4, включающий использование метода бустинга, в частности метода адаптивного бустинга, метода логистического бустинга или метода вероятностного бустинга над деревьями.
6. Способ по любому из предшествующих пунктов, причем в упомянутом ЯМР-измерении дополнительно определяют гистограмму коэффициентов диффузии в различных местоположениях в яйце, и причем упомянутый прогноз оплодотворения дополнительно основан на форме гистограммы.
7. Способ по п. 6, причем определение оплодотворения на основе формы гистограммы коэффициентов диффузии включает сравнение частоты возникновения по меньшей мере двух разных коэффициентов диффузии или диапазонов коэффициентов диффузии,
причем упомянутые по меньшей мере два разных коэффициента диффузии или центры упомянутых по меньшей мере двух диапазонов коэффициентов диффузии предпочтительно различаются на 0,5-2,5 мм2/с, более предпочтительно - на 0,75-1,5 мм2/с, и/или
причем из упомянутых по меньшей мере двух разных коэффициентов диффузии или центров упомянутых по меньшей мере двух диапазонов коэффициентов диффузии, один предпочтительно находится в диапазоне от 0,6 до 1,3 мм2/с, более предпочтительно - в диапазоне от 0,7 до 1,2 мм2/с, а другой, предпочтительно, находится в диапазоне от 1,5 до 2,5 мм2/с, более предпочтительно - в диапазоне от 1,7 до 2,3 мм2/с, и/или
причем упомянутые различные местоположения в яйце распределены равномерно и, в частности, соответствуют вокселам изображения коэффициента диффузии.
8. Способ по любому из предшествующих пунктов, причем при упомянутом ЯМР-измерении получают спектр ЯМР желтка, включающий пики, соответствующие воде и жиру, и прогноз оплодотворения дополнительно основан на упомянутом спектре ЯМР.
9. Способ по п. 8, причем упомянутый этап определения прогноза оплодотворения на основе спектра ЯМР включает определение упомянутого прогноза оплодотворения на основе отношения пиков, соответствующих воде и жиру, на упомянутом спектре ЯМР.
10. Способ по любому из предшествующих пунктов, причем упомянутые яйца (14) расположены на лотке (16) в регулярном порядке, в частности в конфигурации матрицы, во время упомянутой конвейерной подачи и ЯМР-измерения,
причем число яиц (14), расположенных на упомянутом лотке (16), предпочтительно, составляет по меньшей мере 36, более предпочтительно - по меньшей мере 50, и наиболее предпочтительно - по меньшей мере 120.
11. Способ по п. 10, причем упомянутый ЯМР-аппарат (18) включает набор (30) радиочастотных катушек (30a) для приложения радиочастотных магнитных полей к яйцам (14), расположенным на лотке (16), и/или для детектирования сигналов ЯМР, причем упомянутый набор (30) радиочастотных катушек (30a) включает одно или более из:
- множества катушек (30a), расположенных в плоскости, находящейся выше лотка (16), нагруженного яйцами (14), при конвейерной подаче в ЯМР-аппарат (18),
- множества катушек (30a), расположенных в плоскости, находящейся ниже лотка (16), нагруженного яйцами (14), при конвейерной подаче в ЯМР-аппарат (18),
- множества катушек (30a), расположенных в вертикальных плоскостях, простирающихся между рядами яиц (14) на лотке (16) при конвейерной подаче в ЯМР-аппарат (18), причем ряды простираются параллельно направлению конвейерной подачи лотка (16) в ЯМР-аппарат (18) и из него,
причем в случае упомянутого множества катушек (30a), расположенных в плоскости, находящейся выше или ниже лотка (16), нагруженного яйцами (14), соотношение числа катушек (30a) и числа яиц (14), расположенных на упомянутом лотке (16), составляет, предпочтительно, от 1:1 до 1:25, более предпочтительно - от 1:1 до 1:16, и наиболее предпочтительно - от 1:1 до 1:5.
12. Способ по п. 10 или 11, причем упомянутый ЯМР-аппарат (18) включает набор (30) радиочастотных катушек (30a) для приложения радиочастотных магнитных полей к яйцам (14), расположенным на лотке (16), и/или для детектирования сигналов ЯМР, причем упомянутый набор (30) радиочастотных катушек (30a) встроен в упомянутый лоток (16) или прикреплен к нему,
причем лоток (16), предпочтительно, включает множество выемок (48) или углублений для приема соответствующего яйца (14), и причем некоторое число катушек (30a) связано с каждой из упомянутых выемок (48) или углублений, причем упомянутое число катушек (30a) на выемку (48) или углубление составляет по меньшей мере 1, предпочтительно - по меньшей мере 2, более предпочтительно - по меньшей мере 3, и наиболее предпочтительно - по меньшей мере 4, и/или причем по меньшей мере некоторые из упомянутых катушек (30a) расположены вертикально относительно главной плоскости лотка (16) или под углом по меньшей мере 50°, предпочтительно - по меньшей мере 75°, и наиболее предпочтительно - по меньшей мере 80° относительно главной плоскости лотка (16).
13. Способ по любому из предшествующих пунктов, причем упомянутые трехмерные изображения ЯМР упомянутого множества яиц (14) получают с использованием параллельной визуализации, при которой реконструируют когерентные изображения набора яиц (14) на основе измерений с помощью множества радиочастотных катушек (30a), и/или причем упомянутые трехмерные изображения ЯМР упомянутого множества яиц (14) получают с использованием симультанного мультисрезового метода (SMS), при котором реконструируют мультиплексированные изображения набора яиц (14) на основе измерений в разных частотных диапазонах.
14. Способ по любому из предшествующих пунктов, причем трехмерные изображения ЯМР генерируют с использованием опознания по сжатию, позволяющего реконструировать изображения из измерений, сделанных ниже частоты Найквиста.
15. Способ по любому из предшествующих пунктов, причем трехмерные изображения ЯМР генерируют с использованием одного или более из свободной прецессии в установившемся состоянии, быстрой экспозиции с малым углом отклонения и количественной визуализации в переходном состоянии.
16. Способ по любому из предшествующих пунктов, дополнительно включающий этап улучшения качества изображения ЯМР методом качественного переноса.
17. Способ по любому из предшествующих пунктов, причем упомянутое число яиц (14), подвергаемых параллельной конвейерной подаче в упомянутый ЯМР-аппарат (18), и генерация изображений ЯМР предусмотрены так, что определение прогноза оплодотворения осуществляют со скоростью 20 секунд на яйцо (14) или менее, предпочтительно - 10 секунд на яйцо (14) или менее, и наиболее предпочтительно - 2 секунды на яйцо (14) или менее.
18. Способ по любому из предшествующих пунктов, причем генерируют трехмерное изображение ЯМР множества яиц (14), расположенных в регулярном порядке, в частности в конфигурации матрицы, и изображение разбивают на изображения, соответствующие отдельным яйцам (14), подвергаемым упомянутому определению прогноза оплодотворения.
19. Способ по любому из предшествующих пунктов, причем определение прогноза оплодотворения дополняют количественными данными измерений, выбранными из группы, состоящей из параметров релаксации, коэффициентов диффузии и дифузионно-тензорного картирования, данных множественного квантового ЯМР, данных нуль-квантового ЯМР, данных картирования восприимчивости и данных картирования T2*.
20. Аппарат (10) для автоматизированного неинвазивного определения оплодотворения яйца (14) птицы, содержащий:
ЯМР-аппарат (18),
конвейерное устройство (12) для последовательной или параллельной конвейерной подачи множества яиц (14) птицы в упомянутый ЯМР-аппарат (18) и из упомянутого ЯМР-аппарата (18),
причем упомянутый ЯМР-аппарат (18) выполнен с возможностью подвергания яиц (14) птицы ЯМР-измерению,
причем упомянутый аппарат (10) дополнительно включает классификационный модуль (38) и сортирующее яйца устройство (40) для сортировки яиц (14) согласно выданному упомянутым классификационным модулем (38) прогнозу оплодотворения яйца,
причем упомянутый ЯМР-аппарат (18) выполнен с возможностью генерации трехмерного изображения ЯМР по меньшей мере части каждого из упомянутых яиц (14), причем упомянутое трехмерное изображение ЯМР имеет пространственное разрешение в по меньшей мере одном измерении 1,0 мм или менее, предпочтительно - 0,50 мм или менее, причем упомянутая часть яйца (14) включает зародышевый диск соответствующего яйца (14),
и причем упомянутый классификационный модуль (38) выполнен с возможностью определения прогноза оплодотворения посредством выявления по меньшей мере одного признака из каждого из упомянутых трехмерных изображений ЯМР и использования упомянутого по меньшей мере одного признака в классификаторе на основе признаков для определения прогноза оплодотворения, причем упомянутый по меньшей мере один признак выбран из группы, состоящей из диаметра зародышевого диска, объема зародышевого диска, формы зародышевого диска, текстуры зародышевого диска, расположения зародышевого диска в яйце и соотношения между объемами или поверхностями зародышевого диска и одного из желтка, латебры и белка.
21. Аппарат (10) по п. 20, причем по меньшей мере два признака выявляют из упомянутых трехмерных изображений ЯМР и используют в упомянутом классификаторе на основе признаков, причем по меньшей мере один из упомянутых по меньшей мере двух признаков выбран из группы, указанной в п. 20, и причем предпочтительно по меньшей мере один из упомянутых по меньшей мере двух признаков выбран из группы, состоящей из диаметра зародышевого диска, объема зародышевого диска и формы зародышевого диска, причем упомянутая процедура предпочтительно является процедурой на основе машинного обучения.
22. Аппарат (10) по любому из пп. 20 или 21, причем в классификаторе на основе признаков используется ядерный метод, в частности метод опорных векторов или метод релевантных векторов, ядерный перцептрон, квадратичный дискриминантный анализ или линейный дискриминантный анализ, деревья классификации, метод случайного леса или наивный классификатор Байеса.
23. Аппарат (10) по п. 22, причем упомянутый классификационный модуль (38) дополнительно выполнен с возможностью использования метода бустинга, в частности метода адаптивного бустинга, метода логистического бустинга или метода вероятностного бустинга над деревьями.
24. Аппарат (10) по любому из пп. 20-23, причем упомянутый ЯМР-аппарат (18) выполнен с возможностью определения гистограммы коэффициентов диффузии в различных местоположениях в яйце при упомянутом ЯМР-измерении, и причем классификационный модуль (38) выполнен с возможностью основывать упомянутый прогноз оплодотворения на форме гистограммы.
25. Аппарат (10) по п. 24, причем определение оплодотворения, основанное на форме гистограммы коэффициентов диффузии, включает сравнение частоты возникновения по меньшей мере двух разных коэффициентов диффузии или диапазонов коэффициентов диффузии,
причем упомянутые по меньшей мере два разных коэффициента диффузии или центры упомянутых по меньшей мере двух диапазонов коэффициентов диффузии, предпочтительно, различаются на 0,5-2,5 мм2/с, более предпочтительно - на 0,75-1,5 мм2/с, и/или
причем из упомянутых по меньшей мере двух разных коэффициентов диффузии или центров упомянутых по меньшей мере двух диапазонов коэффициентов диффузии, один предпочтительно находится в диапазоне от 0,6 до 1,3 мм2/с, более предпочтительно - в диапазоне от 0,7 до 1,2 мм2/с, а другой, предпочтительно, находится в диапазоне от 1,5 до 2,5 мм2/с, более предпочтительно - в диапазоне от 1,7 до 2,3 мм2/с, и/или
причем упомянутые различные местоположения в яйце распределены равномерно и, в частности, соответствуют вокселам изображения коэффициента диффузии.
26. Аппарат (10) по любому из пп. 20-25, причем упомянутый ЯМР-аппарат (18) выполнен с возможностью определения спектра ЯМР желтка, включающего пики, соответствующие воде и жиру, при упомянутом ЯМР-измерении и дополнительно выдачи прогноза оплодотворения на основе упомянутого спектра ЯМР.
27. Аппарат (10) по п. 26, причем упомянутое определение прогноза оплодотворения, основанное на спектре ЯМР, включает определение упомянутого прогноза оплодотворения на основе отношения пиков, соответствующих воде и жиру, на упомянутом спектре ЯМР.
28. Аппарат (10) по любому из пп. 20-27, причем упомянутые яйца (14) расположены на лотке (16) в регулярном порядке, в частности в конфигурации матрицы, во время упомянутой конвейерной подачи и ЯМР-измерения,
причем число яиц (14), расположенных на упомянутом лотке (16), предпочтительно, составляет по меньшей мере 36, более предпочтительно - по меньшей мере 50, и наиболее предпочтительно - по меньшей мере 120.
29. Аппарат (10) по п. 28, причем упомянутый ЯМР-аппарат (18) включает набор (30) радиочастотных катушек (30a) для приложения радиочастотных магнитных полей к яйцам (14), расположенным на лотке (16), и/или для детектирования сигналов ЯМР, причем упомянутый набор (30) радиочастотных катушек (30a) включает одно или более из:
- множества катушек (30a), расположенных в плоскости, находящейся выше лотка (16), нагруженного яйцами (14), при конвейерной подаче в ЯМР-аппарат (18),
- множества катушек (30a), расположенных в плоскости, находящейся ниже лотка (16), нагруженного яйцами (14) при конвейерной подаче в ЯМР-аппарат (18),
- множества катушек (30a), расположенных в вертикальных плоскостях, простирающихся между рядами яиц (14) на лотке (16) при конвейерной подаче в ЯМР-аппарат (18), причем ряды простираются параллельно направлению конвейерной подачи лотка (16) в ЯМР-аппарат (18) и из него,
причем в случае упомянутого множества катушек (30a), расположенных в плоскости, находящейся выше или ниже лотка (16), нагруженного яйцами (14), отношение числа катушек (30a) и числа яиц (14), расположенных на упомянутом лотке (16), предпочтительно, составляет от 1:1 до 1:25, более предпочтительно - от 1:1 до 1:16, и наиболее предпочтительно - от 1:1 до 1:5.
30. Аппарат (10) по п. 28 или 29, причем упомянутый ЯМР-аппарат (18) включает набор (30) радиочастотных катушек (30a) для приложения радиочастотных магнитных полей к яйцам (14), расположенным на лотке (16), и/или для детектирования сигналов ЯМР, причем упомянутый набор (30) радиочастотных катушек (30a) встроен в упомянутый лоток (16) или прикреплен к нему,
причем лоток (16), предпочтительно, включает множество выемок (48) или углублений для приема соответствующего яйца (14), и причем некоторое число катушек (30a) связано с каждой из упомянутых выемок (48) или углублений, причем упомянутое число катушек (30a) на выемку (48) или углубление составляет по меньшей мере 1, предпочтительно - по меньшей мере 2, более предпочтительно - по меньшей мере 3, и наиболее предпочтительно - по меньшей мере 4, и/или причем по меньшей мере некоторые из упомянутых катушек (30a) расположены вертикально относительно главной плоскости лотка (16) или под углом по меньшей мере 50°, предпочтительно - по меньшей мере 75°, и наиболее предпочтительно - по меньшей мере 80° относительно главной плоскости лотка (16).
31. Аппарат (10) по любому из пп. 20-30, причем упомянутый ЯМР-аппарат (18) выполнен с возможностью получения трехмерных изображений ЯМР упомянутого множества яиц (14) с использованием параллельной визуализации, при которой реконструируются когерентные изображения набора яиц (14) на основе измерений с помощью множества радиочастотных катушек (30a), и/или причем упомянутый ЯМР-аппарат (18) выполнен с возможностью получения трехмерных изображений ЯМР упомянутого множества яиц (14) с использованием симультанного мультисрезового метода (SMS), при котором реконструируют мультиплексированные изображения набора яиц (14) на основе измерений в разных частотных диапазонах.
32. Аппарат (10) по любому из пп. 20-31, причем упомянутый ЯМР-аппарат (18) выполнен с возможностью генерации трехмерных изображений ЯМР с использованием опознания по сжатию, позволяющего реконструировать изображения из измерений, сделанных ниже частоты Найквиста.
33. Аппарат (10) по любому из пп. 20-31, причем упомянутый ЯМР-аппарат (18) выполнен с возможностью генерации трехмерных изображений ЯМР с использованием одного или более из свободной прецессии в установившемся состоянии, быстрой экспозиции с малым углом отклонения и количественной визуализации в переходном состоянии.
34. Аппарат (10) по любому из пп. 20-33, причем упомянутый ЯМР-аппарат (18) выполнен с возможностью улучшения качества изображений ЯМР методом качественного переноса.
35. Аппарат (10) по любому из пп. 20-34, причем число яиц (14), подвергаемых параллельной конвейерной подаче в упомянутый ЯМР-аппарат (18), и генерация изображений ЯМР предусмотрены так, что определение прогноза оплодотворения может быть осуществлено со скоростью 20 секунд на яйцо (14) или менее, предпочтительно - 10 секунд на яйцо (14) или менее, и наиболее предпочтительно - 2 секунды на яйцо (14) или менее.
36. Аппарат (10) по любому из пп. 20-35, причем упомянутый ЯМР-аппарат (18) выполнен с возможностью генерации трехмерного изображения ЯМР множества яиц (14), расположенных в регулярном порядке, в частности в конфигурации матрицы, и для разделения на изображения, соответствующие отдельным яйцам (14).
37. Аппарат (10) по любому из пп. 20-36, причем упомянутый ЯМР-аппарат (18) дополнительно выполнен с возможностью получения данных количественного измерения, выбранных из группы, состоящей из параметров релаксации, коэффициентов диффузии и диффузионно-тензорного картирования, данных множественного квантового ЯМР, данных нуль-квантового ЯМР, данных картирования восприимчивости и данных картирования T2*.
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP17201373.2 | 2017-11-13 | ||
| EP17201373.2A EP3483619A1 (en) | 2017-11-13 | 2017-11-13 | Automated noninvasive determining the sex of an embryo of and the fertility of a bird's egg |
| EP17210164.4A EP3483620A1 (en) | 2017-11-13 | 2017-12-22 | Automated noninvasive determining the fertility of a bird's egg |
| EP17210164.4 | 2017-12-22 | ||
| PCT/EP2018/081030 WO2019092267A1 (en) | 2017-11-13 | 2018-11-13 | Automated noninvasive determining the fertility of a bird's egg |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2739896C1 true RU2739896C1 (ru) | 2020-12-29 |
Family
ID=60327116
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2020119156A RU2739153C1 (ru) | 2017-11-13 | 2018-11-13 | Автоматизированное неинвазивное определение пола эмбриона и оплодотворения яиц птицы |
| RU2020119159A RU2739896C1 (ru) | 2017-11-13 | 2018-11-13 | Автоматизированное неинвазивное определение оплодотворения яйца птицы |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2020119156A RU2739153C1 (ru) | 2017-11-13 | 2018-11-13 | Автоматизированное неинвазивное определение пола эмбриона и оплодотворения яиц птицы |
Country Status (14)
| Country | Link |
|---|---|
| US (2) | US11122778B2 (ru) |
| EP (5) | EP3483619A1 (ru) |
| CN (2) | CN111386462B (ru) |
| BR (2) | BR112020008747B1 (ru) |
| DK (2) | DK3523649T3 (ru) |
| ES (2) | ES2829964T3 (ru) |
| HU (2) | HUE052953T2 (ru) |
| LT (2) | LT3545326T (ru) |
| MX (2) | MX2020004097A (ru) |
| PL (1) | PL3545326T3 (ru) |
| PT (2) | PT3545326T (ru) |
| RU (2) | RU2739153C1 (ru) |
| SI (2) | SI3523649T1 (ru) |
| WO (2) | WO2019092265A1 (ru) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| MX2017010333A (es) | 2015-02-17 | 2018-11-12 | Matrixspec Solutions Inc | Sistemas, dispositivos y métodos para detectar fertilidad y género de huevos no eclosionados. |
| EP3483619A1 (en) * | 2017-11-13 | 2019-05-15 | Technische Universität München | Automated noninvasive determining the sex of an embryo of and the fertility of a bird's egg |
| MX2020009274A (es) | 2018-03-14 | 2020-10-01 | Monsanto Technology Llc | Imaginologia de semillas. |
| BR112020023799A2 (pt) * | 2018-06-11 | 2021-03-30 | Monsanto Technology Llc | Classificação de sementes |
| CN114096844A (zh) * | 2019-06-28 | 2022-02-25 | 四国计测工业株式会社 | 验蛋装置、验蛋程序及验蛋方法 |
| CN110516525B (zh) * | 2019-07-01 | 2021-10-08 | 杭州电子科技大学 | 基于gan和svm的sar图像目标识别方法 |
| CN110771533B (zh) * | 2019-09-29 | 2022-03-01 | 北京农业智能装备技术研究中心 | 鸡胚蛋的性别检测系统及方法 |
| CN111193920B (zh) * | 2019-12-31 | 2020-12-18 | 重庆特斯联智慧科技股份有限公司 | 一种基于深度学习网络的视频画面立体拼接方法和系统 |
| CN111345267B (zh) * | 2020-04-08 | 2021-11-19 | 山东省农业科学院家禽研究所（山东省无特定病原鸡研究中心） | 羽色双自别雌雄黑羽粉壳高产特色蛋鸡配套系的制种方法 |
| CN111517092B (zh) * | 2020-06-03 | 2021-06-11 | 太原理工大学 | 一种传动带撕裂检测方法 |
| US20220076157A1 (en) * | 2020-09-04 | 2022-03-10 | Aperio Global, LLC | Data analysis system using artificial intelligence |
| CN112517424B (zh) * | 2020-11-28 | 2022-07-15 | 河北东风养殖有限公司 | 一种动物育种中次品卵分拣回收装置及其操作方法 |
| US11680998B2 (en) * | 2021-11-03 | 2023-06-20 | Innovation Academy For Precision Measurement Science And Technology, Cas | NMR relaxation time inversion method based on unsupervised neural network |
| EP4202468A1 (en) | 2021-12-23 | 2023-06-28 | Orbem GmbH | Direct inference based on undersampled mri data of humans or animals |
| EP4202427A1 (en) | 2021-12-23 | 2023-06-28 | Orbem GmbH | Direct inference based on undersampled mri data of industrial samples |
| EP4206666A1 (en) * | 2021-12-28 | 2023-07-05 | Manoj Nimbalkar | Testing the authenticity of biological compositions |
| CN114667965A (zh) * | 2022-02-17 | 2022-06-28 | 江苏省家禽科学研究所科技创新有限公司 | 一种高繁、高效、优质兼用型黑羽鸡的培育方法 |
| NL2033547B1 (nl) * | 2022-11-17 | 2024-05-28 | Van De Ven Beheer B V | Eihouder alsmede transportinrichting voorzien van de eihouder voor het transporteren van eieren door een MRI-scanner |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6029080A (en) * | 1997-07-09 | 2000-02-22 | Reynnells; Richard D. | Method and apparatus for avian pre-hatch sex determination |
| EP0890838B1 (en) * | 1997-07-07 | 2002-03-06 | Stichting Instituut voor Dierhouderij en Diergezondheid (ID-DLO) | Method and apparatus for selecting eggs |
| US20060279281A1 (en) * | 2005-06-09 | 2006-12-14 | Uri Rapoport | MRI/NMR side-by-side magnets for parallel analysis and industrial process and quallity control analysis |
| RU2612370C1 (ru) * | 2013-03-27 | 2017-03-09 | Сименс Акциенгезелльшафт | Способ определения пола эмбриона в яйце |
Family Cites Families (53)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN87107953A (zh) * | 1987-11-20 | 1988-08-03 | 关琦 | 家禽无精卵及雌雄种卵鉴别方法及测试装置 |
| AU728248B2 (en) * | 1996-10-04 | 2001-01-04 | Zoetis Services Llc | Method of sorting birds in ovo |
| US5745228A (en) * | 1997-01-17 | 1998-04-28 | Embrex, Inc. | Method and apparatus for distinguishing live from infertile poultry eggs |
| AU4218799A (en) * | 1998-08-25 | 2000-03-14 | Scripps Research Institute, The | Methods and systems for predicting protein function |
| US6234320B1 (en) * | 1999-05-11 | 2001-05-22 | Embrex, Inc. | Method and apparatus for selectively classifying poultry eggs |
| US6535277B2 (en) | 2000-12-20 | 2003-03-18 | Embrex, Inc. | Methods and apparatus for non-invasively identifying conditions of eggs via multi-wavelength spectral comparison |
| GB0031566D0 (en) * | 2000-12-22 | 2001-02-07 | Mets Ometrix | Methods for spectral analysis and their applications |
| US20030200932A1 (en) * | 2001-02-16 | 2003-10-30 | Toelken L. Taizo | Ultrasound quality inspection of avian eggs |
| US7041439B2 (en) * | 2001-04-17 | 2006-05-09 | Embrex, Inc. | Methods and apparatus for selectively processing eggs having identified characteristics |
| JP4128791B2 (ja) * | 2002-03-27 | 2008-07-30 | 株式会社堀内 | 有精卵の雌雄鑑別技術 |
| CA2547460A1 (en) * | 2003-11-28 | 2005-06-09 | Haishan Zeng | Multimodal detection of tissue abnormalities based on raman and background fluorescence spectroscopy |
| WO2006057081A1 (en) * | 2004-11-24 | 2006-06-01 | Mitsuyo Okazaki | Method for analyzing lipoproteins |
| CN101273276A (zh) * | 2005-09-22 | 2008-09-24 | 威斯康星校友研究基金会 | 利用高度约束的背投来重构跳动着的心脏的图像 |
| US7950439B2 (en) | 2005-11-28 | 2011-05-31 | Victor Ray Anderson | Combination-action slide and hinge swinging door |
| CN1789992A (zh) * | 2005-12-15 | 2006-06-21 | 云南大学 | 电磁波共振腔无损检测鸡蛋新鲜度的方法 |
| US20070162992A1 (en) * | 2006-01-09 | 2007-07-12 | Mcgill University | Metabolomic determination in assisted reproductive technology |
| SG170025A1 (en) | 2006-02-23 | 2011-04-29 | Ovagen Internat Ltd | Improved methods of producing avian eggs and birds of specified germ-free status |
| PL2173890T3 (pl) * | 2007-06-21 | 2011-07-29 | Univ Muenchen Tech | Białka czynne biologicznie o zwiększonej stabilności in vivo i (lub) in vitro |
| US7950349B1 (en) * | 2008-01-18 | 2011-05-31 | Jack Dean Rollins | Avian egg fertility and gender detection |
| CN102077108B (zh) * | 2008-04-28 | 2015-02-25 | 康奈尔大学 | 分子mri中的磁敏度精确量化 |
| KR20100101526A (ko) * | 2009-03-09 | 2010-09-17 | 삼성전자주식회사 | 스트로보 박막 화학 분석 장치 및 이를 이용한 분석 방법 |
| EP2405740B1 (en) * | 2009-03-13 | 2015-12-23 | Van de Ven Beheer B.V. | Method for avian sex determination |
| WO2010150265A2 (en) | 2009-06-25 | 2010-12-29 | Yissum Research Development Company Of The Hebrew University Of Jerusalem Ltd. | Hyperspectral identification of egg fertility and gender |
| CN101672839B (zh) * | 2009-09-25 | 2012-11-14 | 南京农业大学 | 一种基于计算机视觉的种蛋孵化品质检测方法 |
| JP2011142866A (ja) * | 2010-01-15 | 2011-07-28 | Ryosuke Taniguchi | 輪郭による有精卵の雌雄識別法 |
| DE102010006161B3 (de) * | 2010-01-21 | 2011-01-13 | Technische Universität Dresden | Verfahren und Vorrichtung zur Bestimmung des Geschlechtes von befruchteten und nicht bebrüteten Vogeleiern |
| PL2571510T3 (pl) * | 2010-05-21 | 2019-03-29 | Xl-Protein Gmbh | Biosyntetyczne polipeptydy prolinowo/alaninowe o strukturze kłębka statystycznego i ich zastosowania |
| US9710730B2 (en) * | 2011-02-11 | 2017-07-18 | Microsoft Technology Licensing, Llc | Image registration |
| JP6122848B2 (ja) * | 2011-07-13 | 2017-04-26 | ティー２ バイオシステムズ，インコーポレーテッド | 血餅形成をモニタリングするためのｎｍｒ法 |
| CA2917414C (en) * | 2012-07-30 | 2021-09-14 | In Ovo B.V. | Gender, viability and/or developmental stage determination of avian embryos in ovo |
| KR102143381B1 (ko) * | 2013-05-30 | 2020-08-11 | 삼성메디슨 주식회사 | 초음파 영상 처리 장치 및 방법 |
| CN103472008B (zh) * | 2013-08-30 | 2016-06-08 | 黑龙江八一农垦大学 | 孵化前期近红外种蛋内鸡胚性别识别方法 |
| GB2518890B (en) * | 2013-10-07 | 2015-09-23 | Yair Or Adar | System and method for determining viability of eggs |
| US9395346B2 (en) * | 2013-11-18 | 2016-07-19 | Zoetis Services Llc | Non-contact egg identification system for determining egg viability, and associated method |
| PT3074775T (pt) * | 2013-11-27 | 2018-10-31 | Inst Dinvestigacio Sanitaria Pere Virgili | Método para a caracterização de lipoproteínas |
| CN113842566A (zh) * | 2013-12-31 | 2021-12-28 | 威斯康星州医药大学股份有限公司 | 基于多模态成像的自适应重计划 |
| EP3140763B1 (en) * | 2014-05-05 | 2020-05-20 | Atomwise Inc. | Binding affinity prediction system and method |
| DE102014010150A1 (de) * | 2014-07-04 | 2016-01-07 | Technische Universität Dresden | Verfahren und Vorrichtung zur Raman-spektroskopischen in-ovo Geschlechtsbestimmung von befruchteten und bebrüteten Vogeleiern |
| FR3023617B1 (fr) * | 2014-07-11 | 2018-06-15 | Tronico | Dispositif non invasif de determination de la fertilite et/ou du sexe d’un oeuf, et procede correspondant. |
| US9459201B2 (en) * | 2014-09-29 | 2016-10-04 | Zyomed Corp. | Systems and methods for noninvasive blood glucose and other analyte detection and measurement using collision computing |
| CN104316473A (zh) * | 2014-10-28 | 2015-01-28 | 南京农业大学 | 一种基于高光谱图像对鸡种蛋孵化早期胚胎性别鉴定的方法 |
| WO2016162871A1 (en) * | 2015-04-08 | 2016-10-13 | Ramot At Tel-Aviv University Ltd. | Early detection of reduced bone formation with an nmr scanner |
| EP3362783A1 (en) * | 2015-10-12 | 2018-08-22 | MM (UK) Limited | A foodstuff item characteristic mri detection system |
| WO2017100000A2 (en) * | 2015-11-24 | 2017-06-15 | Southwestern Energy Corporation | Nmr sequential fluid characterization |
| CN105424739A (zh) * | 2015-12-08 | 2016-03-23 | 大连工业大学 | 一种基于核磁共振技术无损检测海参自溶的方法 |
| CN105842641A (zh) * | 2016-03-10 | 2016-08-10 | 哈尔滨医科大学 | 一种基于1h-19f-31p原子核的多通道三维核磁共振成像方法 |
| DE102016004051B3 (de) * | 2016-04-04 | 2017-07-27 | Technische Universität Dresden | Verfahren und Vorrichtung zur optischen in-ovo Geschlechtsbestimmung von befruchteten und bebrüteten Vogeleiern |
| DE102016206713B4 (de) * | 2016-04-20 | 2017-11-02 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | System zum Durchführen spektroskopischer Echo-Planar-Bildgebung (EPSI) |
| CN106645605B (zh) * | 2016-09-05 | 2019-01-08 | 中国农业大学 | 基于机器视觉的禽类受精蛋检测方法 |
| CN106485251B (zh) * | 2016-10-08 | 2019-12-24 | 天津工业大学 | 基于深度学习的鸡蛋胚胎分类 |
| CN106872465B (zh) * | 2016-12-27 | 2020-03-03 | 中国农业大学 | 基于机器视觉的禽类受精蛋检测筛选装置 |
| CN107041325B (zh) * | 2017-04-06 | 2020-06-05 | 四川农业大学 | 一种禽胚蛋无损性别判定方法 |
| EP3483619A1 (en) * | 2017-11-13 | 2019-05-15 | Technische Universität München | Automated noninvasive determining the sex of an embryo of and the fertility of a bird's egg |
-
2017
- 2017-11-13 EP EP17201373.2A patent/EP3483619A1/en not_active Withdrawn
- 2017-12-22 EP EP17210164.4A patent/EP3483620A1/en not_active Withdrawn
-
2018
- 2018-11-13 EP EP18796987.8A patent/EP3523649B1/en active Active
- 2018-11-13 ES ES18796984T patent/ES2829964T3/es active Active
- 2018-11-13 WO PCT/EP2018/081019 patent/WO2019092265A1/en unknown
- 2018-11-13 LT LTEP18796984.5T patent/LT3545326T/lt unknown
- 2018-11-13 US US16/760,828 patent/US11122778B2/en active Active
- 2018-11-13 SI SI201830210T patent/SI3523649T1/sl unknown
- 2018-11-13 RU RU2020119156A patent/RU2739153C1/ru active
- 2018-11-13 HU HUE18796984A patent/HUE052953T2/hu unknown
- 2018-11-13 MX MX2020004097A patent/MX2020004097A/es unknown
- 2018-11-13 DK DK18796987.8T patent/DK3523649T3/da active
- 2018-11-13 DK DK18796984.5T patent/DK3545326T3/da active
- 2018-11-13 SI SI201830166T patent/SI3545326T1/sl unknown
- 2018-11-13 RU RU2020119159A patent/RU2739896C1/ru active
- 2018-11-13 BR BR112020008747-5A patent/BR112020008747B1/pt active IP Right Grant
- 2018-11-13 CN CN201880073413.9A patent/CN111386462B/zh active Active
- 2018-11-13 BR BR112020009533-8A patent/BR112020009533B1/pt active IP Right Grant
- 2018-11-13 ES ES18796987T patent/ES2854001T3/es active Active
- 2018-11-13 MX MX2020004098A patent/MX2020004098A/es unknown
- 2018-11-13 PT PT187969845T patent/PT3545326T/pt unknown
- 2018-11-13 US US16/760,735 patent/US11116184B2/en active Active
- 2018-11-13 PT PT187969878T patent/PT3523649T/pt unknown
- 2018-11-13 HU HUE18796987A patent/HUE052046T2/hu unknown
- 2018-11-13 PL PL18796984T patent/PL3545326T3/pl unknown
- 2018-11-13 EP EP20206710.4A patent/EP3798659A1/en active Pending
- 2018-11-13 LT LTEP18796987.8T patent/LT3523649T/lt unknown
- 2018-11-13 EP EP18796984.5A patent/EP3545326B1/en active Active
- 2018-11-13 WO PCT/EP2018/081030 patent/WO2019092267A1/en unknown
- 2018-11-13 CN CN201880073176.6A patent/CN111344587B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0890838B1 (en) * | 1997-07-07 | 2002-03-06 | Stichting Instituut voor Dierhouderij en Diergezondheid (ID-DLO) | Method and apparatus for selecting eggs |
| US6029080A (en) * | 1997-07-09 | 2000-02-22 | Reynnells; Richard D. | Method and apparatus for avian pre-hatch sex determination |
| US20060279281A1 (en) * | 2005-06-09 | 2006-12-14 | Uri Rapoport | MRI/NMR side-by-side magnets for parallel analysis and industrial process and quallity control analysis |
| RU2612370C1 (ru) * | 2013-03-27 | 2017-03-09 | Сименс Акциенгезелльшафт | Способ определения пола эмбриона в яйце |
Also Published As
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2739896C1 (ru) | Автоматизированное неинвазивное определение оплодотворения яйца птицы | |
| JP7260541B2 (ja) | 卵特性を非侵略的に決定するためのシステムおよび方法 | |
| Clithero et al. | Within-and cross-participant classifiers reveal different neural coding of information | |
| US9964616B2 (en) | Fast group matching for magnetic resonance fingerprinting reconstruction | |
| US10627468B2 (en) | Nuclear magnetic resonance (NMR) fingerprinting | |
| KR101674848B1 (ko) | 핵 자기 공명(nmr) 핑거프린팅 | |
| JP6723597B2 (ja) | 種卵の非破壊検査装置及びそれに用いる種卵検査プログラム | |
| Genuer et al. | Random Forests based feature selection for decoding fMRI data | |
| Gallos et al. | Construction of embedded fMRI resting-state functional connectivity networks using manifold learning | |
| CN117058484A (zh) | 细胞检测模型的训练方法、装置、系统和电子装置 | |
| Ramani et al. | Classification of pathological magnetic resonance images of brain using data mining techniques | |
| Amanda et al. | Classification of chicken egg quality using faster region convolutional neural network | |
| KR20240127423A (ko) | 산업 샘플들의 언더샘플링된 mri 데이터에 기초한 직접 추론 | |
| Michel et al. | Multi-class sparse bayesian regression for neuroimaging data analysis | |
| TH2001002559A (th) | การพิจารณาการเจริญพันธุ์ของไข่นกแบบไม่ล่วงล้ำโดยอัตโนมัติ | |
| Bedi et al. | Tumor Detection and Classification | |
| OuYang et al. | Classifying spatial patterns of fMRI activity for object category based on information mapping |