《Future Foods》:Deep Learning-Based Prediction of Subcutaneous Fat Content for Meat Quality Assessment
编辑推荐:
尽管脂肪含量对鸡肉质量和营养至关重要,但传统上使用费力、耗时且不准确的方法进行量化。为了解决这些挑战,研究人员提出了一种基于计算机断层扫描(CT)的鸡肉脂肪量化集成工作流程。共使用了200个鸡大腿样本(4950张CT切片),其中50个样本的参考脂肪含量通过手动
尽管脂肪含量对鸡肉质量和营养至关重要,但传统上使用费力、耗时且不准确的方法进行量化。为了解决这些挑战,研究人员提出了一种基于计算机断层扫描(CT)的鸡肉脂肪量化集成工作流程。共使用了200个鸡大腿样本(4950张CT切片),其中50个样本的参考脂肪含量通过手动测量获得。研究人员开发了一种高精度消耗增强模型,使用条件生成对抗网络(cGAN)来提高CT图像的质量。随后采用U-Net作为骨干分割网络,并引入基于Transformer的上下文桥接来捕获多尺度上下文关系。分析了来自同一样本的多张CT切片以计算脂肪像素比率,该比率作为机器学习模型预测脂肪含量的关键输入特征。实验结果表明,该框架显著优于竞争模型,在分割方面达到了90.36%的IoU、94.70%的Dice、94.60%的精确率和94.88%的召回率。对于脂肪含量预测,它与真实值实现了高相关性(r=0.917)和低均方根误差(RMSE=0.0041)。这种端到端框架集成了基于GAN的图像增强、Transformer驱动的分割和多切片特征聚合,为准确高效的食品成分量化提供了一种新颖且有效的解决方案。
鸡肉作为高质量动物蛋白的重要来源,其脂肪含量(尤其是皮下和肌内脂肪)是影响嫩度、多汁性和风味等感官特性的关键因素,但传统脂肪量化方法费力、耗时且不准确。现有非破坏性技术如计算机断层扫描(CT)虽能提供内部结构信息,但扫描时间缩短常导致图像噪声和伪影增加,影响后续分析。为此,研究人员提出了一个整合图像增强、语义分割和回归预测的端到端工作流Fat-pre,发表在《Future Foods》上,旨在利用深度学习实现鸡肉皮下脂肪含量的准确、高效量化。
研究使用200个Ma-Huang鸡(广东省商业饲养,91日龄屠宰)大腿样本,共4950张CT切片(扫描参数:120 kV、50 mA、0.5 mm层厚),其中50个样本通过手动组织分离获得真实脂肪含量作为真值。关键技术方法包括:1)基于条件生成对抗网络(cGAN,Pix2Pix架构)的图像增强模块,在COVID-19 CT数据集(1295张切片)上预训练后迁移至鸡腿CT,用于提升对比度和抑制噪声;2)结合U-Net骨干与Transformer上下文桥接的分割网络Fat-net,引入改进前馈神经网络(IFFN,含多膨胀卷积)进行边界细化;3)多切片特征聚合:从每样本20-30张切片中选取10张,计算脂肪像素比率(皮下脂肪像素数/非背景总像素数)作为10维特征,输入线性回归、岭回归、KNN、随机森林、梯度提升决策树(GBDT)、自适应增强(AdaBoost)、极端梯度提升(XGBoost)和分类提升(CatBoost)等机器学习模型进行脂肪含量预测。
研究结果如下:
**3.1 GAN图像增强性能**:通过对比公共CT数据集,选择COVID-19肺CT作为源域,模型在验证集上达到峰值信噪比(PSNR)36.21和结构相似性指数(SSIM)0.9557,增强后图像中脂肪-肌肉边界更清晰,背景噪声有效抑制,为后续分割提供稳定输入。
**3.2 皮下脂肪分割精度**:在增强图像上,Fat-net与MaskFormer、U-Net、Swin-Transformer、Ddrnet、Segformer、Gcnet、TransUnet、AttentionUnet等模型对比,以90.36%的IoU、94.70%的Dice、94.60%的精确率(Precision)和94.88%的召回率(Recall)全面领先,尤其在复杂解剖区域(如边缘模糊的皮下脂肪区)实现了更准确的边界描绘,视觉验证显示过分割和欠分割最少。
**3.3 消融实验**:通过依次去除桥接模块(B)、Transformer模块(T)和IFFN(F),发现去除桥接模块后准确率(Acc)、IoU和Dice下降最显著,表明其多尺度特征聚合的核心作用;去除Transformer模块导致召回率大幅下降,体现其长程依赖建模功能;去除IFFN对边缘精度和整体一致性影响最小,但仍必要。完整模型(Ours)在Dice(94.70%)和IoU(90.36%)上均优于所有变体,证实三个组件协同提升分割性能。
**3.4 机器学习预测**:多切片平均像素比率作为特征输入在所有模型中一致优于单切片方法,其中线性回归和岭回归表现最佳:线性回归五折交叉验证均方根误差(RMSE)为0.00333±0.00056,皮尔逊相关系数(r)为0.8973±0.0517;岭回归在部分折中达到最高r(0.9419)。所有模型预测值均在45°对角线附近聚集,显示良好拟合精度,表明多切片特征能有效反映脂肪空间分布。
讨论部分指出,该工作流通过“增强-分割-特征提取-预测”的协同设计减少误差传播,cGAN提升图像质量,CNN-Transformer混合结构增强局部与全局建模,多切片特征近似三维体积分布,使简单回归模型也能获得满意预测。与传统化学法和光谱法相比,CT方法提供空间信息和非破坏性分析,是有效补充。框架具有扩展潜力,可推广至猪肉、牛肉等其他肉类,但需针对不同组织结构和成像条件进行微调或重训练。局限性包括:样本真值标注数量有限(50个),依赖低维像素比率特征,且所有数据来自单一扫描仪和统一参数,跨设备适用性未验证。未来需扩大数据集、优化切片选择策略,并探索跨域适应方法。
结论部分翻译:在这项研究中,研究人员提出了一种自动化的AI驱动工作流,该工作流整合了图像去噪、分割和预测模块,用于量化鸡肉中的脂肪含量。实验结果表明了该框架的稳定性和鲁棒性。与传统方法相比,所提出的方法更有效地捕获了精细的局部特征,从而显著提高了分割精度。通过结合多切片平均像素比率策略,该工作流实现了对鸡肉脂肪含量的精确预测。然而,具有真实脂肪标注的样本量仍然相对有限。此外,当前方法依赖于低维像素比率特征,尚未在不同成像条件或物种间进行验证。总体而言,所提出的框架为智能表型分析提供了高效工具,凸显了生成式AI和深度学习在食品信息学中的潜力,并推进了精准肉质控制。