自动无创式确定禽蛋的生育力和胚胎性别的制作方法

本发明涉及用于生产产蛋母鸡和家禽的鸡养殖领域。更具体地，在一个方面，本发明涉及一种用于无创式确定禽蛋的胚胎的性别的方法和装置，禽蛋具体为鸡蛋。在另一个方面，本发明涉及一种用于无创式确定禽蛋的生育力的方法和装置，禽蛋具体为鸡蛋。

背景技术：

2015年，生产出约1338亿个鸡蛋。为产蛋而饲养的鸡被称为产蛋母鸡。一些鸡种每年可生产超过300个蛋。在饲养产蛋母鸡时，孵化后不久，就确定鸡的性别，只饲养母鸡。虽然原则上也可饲养公鸡并将其用于肉类生产，但与特定的肉类生产品种相比，特定的产蛋种为此目的显著较差，因为肉类生产品种将提供更高的每日增重、更高的最终重量和更有利的肉类在身体上的分布。这意味着，目前，在产蛋母鸡饲养中，在孵化后不久挑选出公鸡。许多人发现这一程序在道德上是不适当的，并且与当前的和可能甚至更多地与未来的动物保护法相冲突。具体地，在包括德国在内的大多数国家，在没有正当理由的情况下使动物疼痛、痛苦或损害是违法的，以及对在孵化后剔除公鸡的违法程度一直存在争议。

为了缓解这个问题，一直尝试在孵化前确定鸡的性别。例如，使用分子生物学方法，可对雌性w染色体进行特异性pcr，并且基于对w染色体的特异性扩增子，可鉴定雌性动物。原则上，即使在蛋子中也可进行这些分子生物学方法，但是这意味着需要采集胚胎的组织样品，并且在任何情况下都需要损坏外壳。

除了蛋内性别的分子生物学测定外，还尝试基于胚胎的尿囊液中性激素的含量来测定性别，如weissmann,a.,reitemeier,s.,hahn,a.,gottschalk,j.&einspanier,a.sexingdomesticchickenbeforehatch:anewmethodforinovogenderidentification,andintheriogenology80,199-205(2013),tran,h.t.,ferrell,w.&butt,t.r.anestrogensensorforpoultrysexsorting.j.anim.sci.88,1358-1364(2010)中所述。发现可基于雌酮硫酸盐浓度的差异来区分雄性鸡胚胎和雌性鸡胚胎。然而，这种方法带来了许多问题。例如，发现由于取尿囊液的样品，孵化率下降，这可能是由于需要在蛋壳中形成孔。另外，使用这种方法，只能在胚胎的第4天和第10天之间确定性别。

在蛋中确定鸡的性别的无创式可能性是基于性别特定的羽毛颜色。使用高光谱方法，可通过蛋壳确定羽毛颜色，并由此确定性别，如d.,fischer,b.&meissner,s.in-ovosexingof14-day-oldchickenembryosbypatternanalysisinhyperspectralimages(vis/nirspectra):anon-destructivemethodforlayerlineswithgenderspecificdownfeathercolor.poult.sci.96,1-4(2017)所述。尽管这种方法在初看之下看起来非常有利，但需要饲养具有性别特定羽毛标记的特殊鸡种。因此，这种技术不能普遍地应用于所有的鸡品种。

用于蛋内性别测定的另一种光学方法是基于拉曼光谱。该方法已经成功地应用于孵化后的鸡，其中基于羽毛囊确定性别，参见harz,m.etal.minimalinvasivegenderdeterminationofbirdsbymeansofuv-resonanceramanspectroscopy.anal.chem.80,1080-1085(2008)。对于该光谱学方法，使用uv范围内的光，这不幸地具有光毒性效应的风险。在galli,r.etal.inovosexingofdomesticchickeneggsbyramanspectroscopy,anal.chem.88,8657-8663(2016)中，ir辐射用于测定蛋中的性别。为此目的，使用co2激光打开蛋壳，在3.5天提供接近鸡胚胎的通路。直接在胚胎的血管进行测量。发现雄性胚胎的拉曼光谱信号的平均差异大于雌性胚胎的拉曼光谱信号的平均差异，这允许确定性别。经过基于拉曼光谱的测量的鸡的孵化率仅略低于常规方法，并且在可观察的情况下对鸡的进一步发育没有负面影响。

在galli,r.etal.inovosexingofchickeneggsbyfluorescencespectroscopy.anal.bioanal.chem.409,1185-1194(2017)中，采用荧光光谱法测定鸡胚胎的性别。在这种情况下，同样发现可基于雄性胚胎在910nm处的显著荧光信号来在3.5天确定胚胎的性别。通过结合荧光光谱和拉曼光谱的数据，可在90％的情况下正确地确定性别。然而，该方法仍然需要打开蛋壳，以便接近胚胎的血管。这具有污染和孵化率较低的风险。

de102013205426a1公开了一种以无创式方式测定蛋中胚胎性别的方法，该方法测定雌二醇的浓度，以及可选地另外测定睾酮的浓度。在一个实施方式中，通过nmr光谱法基于化学位移测定雌二醇的浓度。雌二醇的浓度在育种的第25天之前测定，优选在育种的第17天测定。然而，这种方法没有找到实际应用的途径。该方法的困难在于激素的浓度通常仅在pmol/l的范围内，因此不能用nmr光谱可靠地检测。

wo00/01302描述了一种用于确定蛋中鸡的性别的无创式方法和装置。该方法采用高分辨率nmr成像来确定蛋内的胚胎是否含有雄性性器官或雌性性器官。确实，对于该方法，需要具有高于0.1mm的空间分辨率的成像来确定雄性性器官和雌性性器官。这种高分辨率与实际应用所需的短测量时间不兼容。另外，在温育的后期状态下的非常高分辨率的图像对运动非常敏感，因而受失真影响。

因此，基于nmr光谱或nmr成像的这两种方法中没有一种是可行的。

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

尽管体量庞大，但孵化禽蛋的方法并不完善。平均家禽设施仅孵化其孵化的蛋的75％-85％。其它15-25％的蛋要么经历早期胚胎死亡，要么没有生育力。目前，在用无创式技术，诸如，eggremover(http://embrexbiodevices.com/poultry-biodevices/embrex-egg-remover/)孵育18天后，将未受精的胚胎和死亡的胚胎与活胚胎分离。尽管这种方案防止了不必要地打开蛋，但是仍然很浪费：所有内部没有鸡的蛋都被处理掉。也就是说，该行业每年只能孵出超过128亿的蛋。因此，非常需要一种能够在孵化前确定蛋的生育力状态的解决方案。这种解决方案将显著提高生产率，并节省能量、成本和浪费。另外，这种解决方案还会将数十亿的蛋加入市场供人类消费。

在本领域中存在识别有生育力的蛋的几项专利。例如，美国专利5,745,228–“methodandapparatusfordistinguishinglivefrominfertilepoultryeggs”使用光源来确定禽蛋内的家禽是否是活的。这是在eggremover中使用的技术。

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

美国专利7,950,439b1–“avianeggfertilityandgenderdetection”建议使用白炽灯、荧光灯或led灯形式的外部光源来确定禽蛋的生育力和性别。

美国专利us6,535,277b2-“methodsandapparatusfornon-invasivelyidentifyingconditionsofeggsviamulti-wavelengthspectralcomparison”依赖于使用300nm和1,100nm之间的波长的可见光和不可见光来识别蛋的多种状况，包括生育力状态。

us2013/0044210a1-“hyperspectralidentificationofeggfertilityandgender”使用中ir处的光来确定蛋的生育力。本专利的发明人声称，他们能够以90％的精确度确定蛋在第零天(即新产)的生育力状态。

技术实现要素：

本发明的第一方面的问题是提供一种用于自动无创式确定禽蛋的胚胎的性别的方法和装置，其允许在胚胎还没有发展出疼痛感觉的早期快速可靠地确定胚胎的性别，禽蛋具体为鸡蛋。这个问题通过根据权利要求1的方法和根据权利要求25的设备来解决。在从属权利要求中限定了优选实施方式。

根据本发明的第一方面的方法包括以下步骤：将多个禽蛋顺序地或并行地输送至nmr装置中，并且对禽蛋进行nmr测量，从而为所述禽蛋中的每个确定与选自包括t1弛豫时间、t2弛豫时间和扩散系数的组的、与蛋相关联的一个或多个nmr参数。

这里，这些“参数”中的每个均可对应于代表蛋内感兴趣区域的参数值，诸如胚胎所处的区域或其附近。例如，“参数t1”可指在感兴趣区域中测量的t1值的平均值。

然而，如这里所使用的是，术语“参数”还可指所述禽蛋的区域的参数图像，其中参数值与图像的相应像素或体素相关联。注意，术语“图像”不应意味着必须进行视觉检查的图像，而仅意味着与蛋内的给定空间区域相关联参数值，该区域通常在图像中被称为像素或体素。由于在本发明的不同实施方式中，对于每个参数(诸如t1、t2或扩散系数)，可使用参数值或参数图像，因而为简单起见，这里通常将这两个变量称为“参数”。

该方法还包括将所述一个或多个nmr参数或从所述一个或多个nmr参数中导出的参数转发至分类模块，所述分类模块配置成用于基于所述一个或多个nmr参数或从所述一个或多个nmr参数中导出的参数来确定相关联的蛋的胚胎的性别预测，并且将所述多个禽蛋传送出所述nmr装置，并且根据由所述分类模块提供的性别预测对蛋进行分选。在本文中，短语“或从所述一个或多个nmr参数中导出的参数”指示代替参数值本身，可将从参数值中导出的值用于分类，例如归一化值、值的平方等，其可更适合于分类目的。

根据本发明，基于一个或多个特定的nmr参数，即t1弛豫时间、t2弛豫时间和扩散系数，执行分类模块对性别的确定。令人惊奇的是，已发现这些特定nmr参数中的每个均对鸡胚胎的性别敏感。因此，基于这些参数中的至少一个，但通常基于一组多于一个的参数，可通过分类模块来确定蛋内胚胎的性别。

注意，该方法不同于现有技术的方法，现有技术的方法基于使用nmr光谱测定雌二醇的浓度，或基于通过分析高分辨nmr图像测定性别以识别充分发育的性器官，这两种方法都可被认为是“演绎”法，这意味着预期存在某些性相关特征(激素、性器官)，然后使用nmr技术进行验证。与此相反，本发明的方法仅基于参数，而不需要关于为什么这些参数与胚胎性别相关联的任何理论或解释。相反，本发明的方法是基于令人惊讶的观察，即上述三个nmr参数是鸡胚性别的特征，甚至在非常早期的阶段。根据当前的理解，如果分类单元接收到包括上述参数t1、t2和扩散系数中的所有三个的集合，并且基于其预测，例如使用合适的分类器，则可做出最佳预测。然而，不必将这些参数中的所有三个组合在一个集合中，而是可仅将这些参数中的两个组合使用，或将这些参数中的一个与其它nmr参数组合使用。实际上，具体地，nmr参数t1是充分的性别特征，从而可单独基于该参数进行预测。

使得分类模块仅基于参数的决定具有以下优点：即允许在高通量和鲁棒、可靠分类之间取得非常好的折衷。通常，与例如在wo00/01302中需要使用的高分辨率成像相比，可相对快速和容易地执行对几个单独参数的测量和处理，同时可具体通过t1、t2和扩散系数中的性别差异来支持稳健的性别分类。事实上，下面描述的各种实施方式允许在少于三分钟内并行地确定例如150个蛋中的每个的性别，当进行快速mri技术和平行成像的最佳使用时，具有将该测量时间减少到两分钟，甚至可能减少到一分钟的潜力，从而允许每蛋一秒或更低的平均测量时间。另外，可通过增加参数集中的参数的数目来增加置信度，这可等于仅适度增加测量时间并且仍然显著增加方法的预测质量，即使没有理解或没有完全理解参数及其与性别的关系的相互关系。当与纯粹的演绎法相比时，这是根本上不同的，在纯演绎法中，关于性别的结论将在某些生物学前提下达到(存在雌二醇、不存在睾酮、图像中存在性器官)。在这种演绎法中，只能通过增加给定前提中的置信度来增加置信度，其中可以以巨大的附加nmr测量努力的代价来实现小程度的附加置信度，并且因而降低了方法的产率。另外，除了前提以外的指示仍未考虑，特别是可在胚胎的早期发展而不是激素浓度或性别器官的指示。例如，根据de102013205426a1，优选在育种的第17天确定雌二醇的浓度，其中鸡胚胎已经感觉到疼痛。

在优选的实施方式中，所述一个或多个nmr参数包括一组两个或更多个nmr参数，其中至少一个选自t1弛豫时间、t2弛豫时间和扩散系数。

在一个优选实施方式中，所述nmr参数组还包括下列参数中的一个或多个：t2*弛豫时间、t1ρ弛豫时间、和与核1h、13c、23na、和31p中的一个或多个相关联的自旋密度、或从中得到的参数。虽然根据发明人的当前理解，这些参数对于坯胎在早起的发育阶段的性别的特征性没那么高，然而，它们可与组中的三个最受欢迎的参数t1、t2和扩散系数中的一些或全部组合，并且可由分类模块考虑，从而增加确定的可靠性。

另外或替代地，所述nmr参数组优选进一步包括以下项中的一个或多个：代谢物的化学位移信号，所述代谢物具体为水、脂质、氨基酸、核酸或激素；化学位移选择传递信号；以及零量子相干或多量子相干nmr信号，或由此导出的参数。例如，在化学位移信号频谱的情况下，“从中导出的参数”可为给定峰的幅度、两个峰的比率、两个峰的差等。参数可为数字，或者可为一组数字，诸如矢量。然而，如果分类模块是机器学习模块，如下面所解释的，则也可简单地向该模块提供全频谱，通过机器学习，该模块能够自己确定其相关特征。

在优选实施方式中，所述分类模块是机器学习模块。发明人已经发现的是，机器学习是基于上述参数t1、t2和扩散系数中的一个或多个来确定性别的、特别强大的方式。即，虽然可用的测量结果清楚地表明这些参数是胚胎性别的特征，但是目前没有关于为什么或通过什么潜在的生物学机制性别与这些参数中的每个相关、或参数图像中所表示的蛋内参数的分布的可利用的演绎的生物学模型。因此，机器学习理想地适于识别这些参数中的任何一个中的模式、或它们的指示胚胎的性别的组合，从而允许胚胎生命中的可靠预测和早期预测日期。如果分类模块是机器学习模块，则所述nmr参数值或从所述nmr参数值导出的参数可形成作为特征向量呈现给机器学习模块的特征值。换言之，表示蛋内感兴趣区域的参数值或蛋区域的参数图像可作为特征向量或作为特征向量的部分呈现给机器学习模块。

在优选实施方式中，分类模块配置为使用线性分类器来确定对胚胎的性别预测。用于本发明的优选线性分类器基于最小二乘线性回归、最近邻、逻辑回归和分离超平面或感知器中的一个或多个。

在可替代优选实施方式中，所述分类模块配置为使用非线性分类器来确定胚胎性别的预测。为了本发明的目的，优选的非线性分类器基于分段多项式、样条、核平滑、基于树的方法、支持向量机、随机森林、增强、加法和集成方法或图形模型。

在特别有利的实施方式中，分类模块配置为使用深度学习算法来确定胚胎性别的预测，这允许最佳地利用在nmr参数组中表示的关于性别的信息。为了本发明的目的，优选的深度学习算法基于卷积神经网络、递归神经网络或长期短期记忆网络。

在替代实施方式中，分类模块可配置成基于与存储在数据库中的参数值的比较来确定对胚胎性别的预测。

在一个优选实施方式中，nmr测量包括nmr成像，其中nmr成像平面布置成与胚胎的位置相交。在这里，具体地，nmr成像可涉及形成参数t1、t2和扩散系数中的一个或多个的参数图像。

在一个优选实施方式中，在所述输送和nmr测量期间，蛋以规则的图案布置在托盘上，具体是以矩阵结构布置在托盘上。

优选地，布置在所述托盘上的蛋的数量为至少36个，优选地为至少50个，最优选地为至少120个。

在一个优选实施方式中，该方法在育种的第八天之前进行，优选在育种的第五天进行，其中，胚胎还没有产生任何疼痛感觉。

本发明的第二方面的问题是提供一种无创式技术，其能够在产蛋后和孵化前立即自动识别不育蛋，并且能够处理大量的蛋，并且不会以任何形式损坏或改变蛋。该目的通过根据权利要求7所述的方法和根据权利要求15所述的设备来实现。在从属权利要求中限定了优选实施方式。

根据本发明的第二方面的方法包括以下步骤：

将多个禽蛋依次或并行地输送至nmr装置中；

对禽蛋进行nmr测量，从而针对所述禽蛋中的每个确定以下项中的一个或两个：

-蛋中不同位置的扩散系数的直方图，

-蛋黄的nmr光谱，包括对应于水和脂肪的峰，

基于扩散系数的直方图的形状和/或nmr光谱来确定生育力的预测，以及

将所述多个禽蛋(14)输送出所述nmr装置(18)，并根据生育力预测对禽蛋进行分选。

发明人惊奇地发现，蛋中不同位置的扩散系数的直方图的形状对于可育蛋和不育蛋是不同的。在这里，直方图表示当在蛋中的不同位置进行测量时，某些扩散系数出现的频率。因此，通过分析扩散系数直方图的形状，可预测生育力。

另外，本发明人已经发现，同样令人惊讶的是，可育蛋和不育蛋的蛋黄的nmr光谱在它们对应于水和脂肪的峰方面不同。因此，包括这种水和脂肪峰的nmr光谱的形状同样是生育力的特征，并且可用于测定。

虽然在该方法中可仅使用两个生育特性中的一个，但是在优选实施方式中，在确定中组合两个特性，从而增加预测的可靠性。

由于蛋可经受nmr测量而不会对壳体或内部造成任何损伤或损害，因而孵化率不会受到该测量的不利影响。同时，可避免对不育蛋的不必要孵化。另外，由于不育是在孵化前确定的，所以发现不育的那些蛋仍然可用于进食，一旦孵化开始，这就不可能用于进食了。

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

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

在所述至少两个不同的扩散系数或所述至少两个扩散系数范围的中心中，优选一个位于0.6至1.3mm²/s的范围内，优选在0.7至1.2mm²/s的范围内，并且另一个位于1.5至2.5mm²/s的范围内，优选在1.7至2.3mm²/s的范围内。

在优选实施方式中，蛋中的所述各个位置均匀地分布在蛋中，并且具体地，对应于扩散系数图像的体素。

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

在根据本发明的第一方面或第二方面的任一种方法中，在所述输送和nmr测量期间，蛋以规则模式布置在托盘上，具体是以矩阵结构布置在托盘上。优选地，布置在所述托盘上的蛋的数量为至少36个，优选地为至少50个，最优选地为至少120个。

本发明还涉及一种用于自动无创地确定禽蛋胚胎性别的装置，包括：nmr装置和用于将多个禽蛋顺序地或并行地输送至所述nmr装置中和输送出所述nmr装置的输送装置。所述nmr装置配置成用于使所述禽蛋经受nmr测量，从而针对所述禽蛋中的每个确定与所述禽蛋相关联的一个或多个nmr参数，所述一个或多个nmr参数选自包括t1弛豫时间、t2弛豫时间和扩散系数的组，其中所述参数中的每个均对应于：

-代表蛋内感兴趣区域的参数值，或

-所述禽蛋的区域的参数图像，其中参数值与图像的相应像素或体素相关联。

该装置还包括分类模块，该分类模块配置成接收所述一个或多个nmr参数、或从所述一个或多个nmr参数导出的参数，所述分类模块配置成基于所述一个或多个nmr参数或从所述一个或多个nmr参数导出的参数来确定对相关联的蛋的胚胎的性别预测。最后，该装置包括蛋分选装置，用于根据由所述分选模块提供的性别预测对蛋进行分选。

在优选的实施方式中，所述一个或多个nmr参数包括一组两个或更多个nmr参数，其中至少一个选自包括t1弛豫时间、t2弛豫时间和扩散系数的组。

优选地，所述nmr参数组还包括以下参数中的一个或多个：t2*弛豫时间、t1ρ弛豫时间、以及与核1h、13c、23na和31p中的一个或多个相关联的自旋密度。

另外或替代地，所述nmr参数组优选进一步包括以下项中的一个或多个：代谢物的化学位移信号，所述代谢物具体为水、脂质、氨基酸、核酸或激素；化学位移选择传递信号；以及零量子相干或多量子相干nmr信号。

在优选实施方式中，所述分类模块是机器学习模块。

优选地，所述nmr参数值或从所述nmr参数值导出的参数形成作为特征向量呈现给机器学习模块的特征值。

在优选实施方式中，所述分类模块配置为使用线性分类器来确定胚胎性别的预测，线性分类器具体为基于最小二乘线性回归、最近邻、逻辑回归和分离超平面中的一个或多个的线性分类器。

在替代的优选实施方式中，所述分类模块配置为使用非线性分类器来确定胚胎性别的预测，所述非线性分类器具体为基于分段多项式、样条、核平滑、基于树的方法、支持向量机、随机森林、增强、加法和集成方法或图模型的非线性分类器。

在另一替代优选实施方式中，所述分类模块(38)配置为使用深度学习算法来确定胚胎性别的预测，深度学习算法具体为基于卷积神经网络、递归神经网络或长期短期记忆网络的深度学习算法。

在替代实施方式中，分类模块(38)配置为基于与存储在数据库中的参数值的比较来确定胚胎性别的预测。

本发明还涉及一种用于自动无创式确定禽蛋的生育力的装置，其包括nmr装置和输送装置，所述输送装置用于将多个禽蛋顺序地或并行地输送至所述nmr装置中和从所述nmr装置输送出，其中，所述nmr装置配置成用于使禽蛋经受nmr测量，从而针对所述禽蛋中的每个确定以下项中的一个或两个：

-蛋中不同位置的扩散系数的直方图，

-蛋黄的nmr光谱，包括对应于水和脂肪的峰，

其中，所述设备还配置成用于基于扩散系数的直方图的形状和/或基于nmr光谱来确定生育力的预测，其中所述设备还包括蛋分选设备，用于根据生育力预测来分选蛋。

在优选实施方式中，所述根据扩散系数的直方图的形状确定生育力包括：比较至少两个不同扩散系数或扩散系数范围的出现频率。

在优选实施方式中，所述至少两个不同的扩散系数或所述至少两个扩散系数范围的中心分开0.5-2.5mm²/s，优选分开0.75-1.5mm²/s。

在优选实施方式中，在所述至少两个不同的扩散系数或所述至少两个扩散系数范围的中心中，一个位于0.6-1.3mm²/s的范围内，优选在0.7-1.2mm²/s的范围内，另一个位于1.5-2.5mm²/s的范围内，优选在1.7-2.3mm²/s的范围内。

在优选实施方式中，蛋中的所述各个位置均匀地分布在蛋中，并且具体地，对应于扩散系数图像的体素。

在优选实施方式中，所述装置配置成基于nmr光谱基于对应于所述nmr光谱中水和脂肪的峰的比率来确定生育力的预测。

无论该装置是否配置成用于确定胚胎的性别或蛋的生育力，在优选实施方式中，该装置还包括托盘，在所述输送和nmr测量期间，所述禽蛋可以以规则模式布置在该托盘上，具体是以矩阵配置布置在该托盘上。

在优选实施方式中，可设置在所述托盘上的蛋的数量至少为36个，优选至少为50个，最优选至少为120个。

在优选实施方式中，所述nmr装置包括rf线圈阵列，用于向位于托盘上的蛋施加rf磁场和/或用于检测nmr信号，所述rf线圈阵列包括以下中的一个或多个：

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

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

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

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

在优选实施方式中，所述nmr装置包括rf线圈阵列，用于向位于托盘(16)上的蛋施加rf磁场和/或用于检测nmr信号，所述rf线圈阵列与所述托盘集成在一起或附接至所述托盘。

在这里，托盘优选地包括用于接收相应蛋的多个凹窝或袋，其中多个线圈与所述凹窝或袋中的每个相关联，其中每个凹窝或袋的所述线圈数量至少为2个，优选地至少为3个，最优选地至少为4个，和/或其中至少一些所述线圈相对于托盘的主平面竖直地布置，或相对于托盘的主平面成至少50°的角度，优选成至少75°的角度，最优选地成至少80°的角度。

附图说明

图1是用于自动无创式确定禽蛋的胚胎的性别或禽蛋的生育力的装置的示意图。

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

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

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

图3示意性地示出了托盘的部分，该托盘包括用于接收蛋的凹窝以及与围绕蛋的托盘集成在一起的四个rf线圈。

图4示出了图2a至图2c和图3的线圈阵列的更多细节。

图5示出了由图1的nmr装置拍摄的6个nmr参数图像。

图6在非对角线图中示出了参数t1、t2和d的成对组合，并且在沿对角线排列的图中示出了参数t1、t2和d中的每个的直方图。

图7示出了雄性胚胎和雌性胚胎的t1值的平均直方图。

图8示出了雄性胚胎和雌性胚胎的t2值的平均直方图。

图9示出了雄性胚胎和雌性胚胎的扩散系数的平均直方图。

图10示出了对于多个可育蛋(实线)和不育蛋(虚线)观察到的扩散系数的平均直方图。

图11是示出多个蛋在1mm/s和2mm/s下的扩散系数直方图值对的散点图。

图12示出了可育蛋和不育蛋的nmr光谱。

图13是用于非自动无创式确定禽蛋的胚胎的性别或禽蛋的生育力的简化装置的示意图。

图14是基于卷积神经网络的用于蛋性别确定的机器学习分类器的体系结构的示意图。

具体实施方式

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

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

nmr装置18包括磁体装置24，用于在z方向上提供外部磁场，核自旋可与该外部磁场相互作用。磁场的z方向与传送带20上的传送方向一致，但这对于装置10的功能并不是至关重要的。在所示的实施方式中，磁体装置22产生场强为1t的静态磁场，但是本发明不限于此。相反，可使用多种磁场强度，以及在本发明的替代实施方式中，乃至地磁场强度也可足够，如j.,v.&kos,m.nmrimagingintheearth’smagneticfield.magn.reson.med.15,386–391(1990),androbinson,j.n.etal.two-dimensionalnmrspectroscopyinearth’smagneticfield.j.magn.reson.182,343–347(2006)所述.

另外，nmr装置18包括梯度线圈26，用于产生空间梯度场，空间梯度场用于以本领域技术人员本身已知的方式进行图像编码，或者换言之，空间分辨nmr测量，并且在lauterbur,p.c.imageformationbyinducedlocalinteractions.examplesemployingnuclearmagneticresonance.nature242,190–191(1973)中进行了进一步描述。另外，梯度线圈26也用于增加由磁体装置24产生的外部磁场的局部均匀性。由梯度线圈26施加的梯度场由梯度控制器28控制。在所示的实施方式中，梯度控制器28被优化用于测量空间(k空间)的有效覆盖，以便提高测量速度。具体地，梯度控制器28优选地配置成用于执行回波平面成像。对于回波平面成像的细节，可参考stehling,m.,turner,r.&mansfield,p.echo-planarimaging:magneticresonanceimaginginafractionofasecond.science(80-.).254,43–50(1991),andmansfield,p.&maudsley,a.a.planarspinimagingbynmr.j.phys.csolidstatephys.9,l409–l412(1976)。替代地，梯度控制器28可控制梯度线圈26以执行具有时间最优梯度设计的螺旋读出，如hargreaves,b.a.,nishimura,d.g.&conolly,s.m.time-optimalmultidimensionalgradientwaveformdesignforrapidimaging.magn.reson.med.51,81–92(2004)中，这允许非常快速的nmr成像。

多个rf线圈30布置成当将托盘16传送到nmr装置18时围绕装载有传送带20上的蛋14的托盘16。如本领域技术人员将理解的是，rf线圈30用于提供激励旋转的rf脉冲，具体是蛋14内的氢原子的旋转。脉冲的定时、形状和强度由rf控制器32控制。对rf脉冲和梯度的串行操作允许对所测量的信号进行调制，以进行快速图像编码。为了允许高通量测量，可采用快速脉冲序列，诸如快速-低角度拍摄成像或定量瞬时成像，如在haase,a.,frahm,j.,matthaei,d.,hanicke,w.&merboldt,k.d.flashimaging.rapidnmrimagingusinglowflip-anglepulses.j.magn.reson.67,258–266(1986))andgómez,p.a.etal.acceleratedparametermappingwithcompressedsensing:analternativetomrfingerprinting.procintlsocmagresonmed(2017)文章中更详细地描述的那样，该文章由本发明人共创并通过引用包括在本文中。这些快速脉冲序列设计成对本发明中采用的不同相关参数敏感，特别是t1和t2弛豫和扩散，而且对脂肪水含量或磁化传递敏感。

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

nmr装置18还包括图像重建模块36。在优选实施方式中，将使用并行成像技术来组合来自不同rf线圈30的测量，并且通过对所获取的测量应用快速傅立叶变换(fft)来实现图像重构。对于平行成像技术的细节，请参考pruessmann,k.p.,weiger,m.,scheidegger,m.b.&boesiger,p.sense:sensitivityencodingforfastmri.magn.reson.med.42,952–962(1999),anduecker,m.etal.espirit-aneigenvalueapproachtoautocalibratingparallelmri:wheresensemeetsgrappa.magn.reson.med.71,990–1001(2014)。

当采用非笛卡尔采样时，可使用如fessler,j.a.andsutton,b.nonuniformfastfouriertransformsusingmin-maxinterpolation.ieeetrans.signalprocess.51,560-574(2003)中所述的非均匀fft。在所示的实施方式中，图像重构模块36实现高级重构算法，诸如低秩矩阵恢复或迭代算法。图像重建模块36配置为处理不同维度的数据，即1d或2dnmr信号、2d图像、3d体积和4d时间序列。

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

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

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

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

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

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

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

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

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

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

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

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

本发明的优选实施方式采用在pruessmann,k.p.,weiger,m.,scheidegger,m.b.&boesiger,p.sense:sensitivityencodingforfastmri.magn.reson.med.42,952–962(1999)中描述的所谓的sense方法，该方法利用空间冗余来获取k空间的子样本并重构非混叠图像。同样适用的相关方法是所谓的通用自动校准部分并行采集(grappa)方法，如griswold,m.a.etal,generalizedautocalibratingpartiallyparallelacquisitions(grappa),magn.res.med47,1202-1210(2002)中所述。

为了进一步增加生产量，采用多频带技术，多频带技术使用几个激励频率以允许在沿着磁体装置42的孔的不同空间位置并行采集，从而也减少了总扫描时间。在feinberg,d.a.etal.multiplexedechoplanarimagingforsub-secondwholebrainfmriandfastdiffusionimaging.plosone5,(2010)给出了多频带技术的更详细的解释，该文献通过引用包括在本文中。

在这些技术的基础上，在优选实施方式中，采用所谓的压缩感测，这减少了重构图像所需的测量点的数量，从而引入了新的加速度因子。在lustig,m.,donoho,d.&pauly,j.m.sparsemri:theapplicationofcompressedsensingforrapidmrimaging.magn.reson.med.58,1182–1195(2007)中给出了压缩感测的确定。

另外，在优选实施方式中，成像在瞬变状态下进行，其可以以超快的方式进行，并使用定量参数，如本发明人共同创作的著作中所描述的，参见gómez,p.a.etal.acceleratedparametermappingwithcompressedsensing:analternativetomrfingerprinting.procintlsocmagresonmed(2017)。在ma,d.etal.magneticresonancefingerprinting.nature495,187–192(2013)中描述了瞬态成像的另一种合适的方式。

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

图5示出了由图1的nmr装置18拍摄的六个nmr参数图像。上一行图像对应于包括雌性7日龄胚胎的蛋，而下一行图像对应于包括雄性7日龄胚胎的蛋。如在本申请的介绍部分中所解释的是，在此所提及的蛋14的区域的“参数图像”是指与蛋14内对应于图像的像素或体素的相应空间区域相关联的一组参数值。图5所示的每个图像均由穿过蛋的一个体素厚部分的64×64体素组成，相应的参数值t1(左列)、t2(中列)或扩散系数d(右列)与蛋相关联，并且在图5中以灰度级示出。

在这里，t1以通常的方式表示负责平行于由磁体装置24产生的外部磁场的核自旋磁化矢量的分量的弛豫的物理过程的时间常数，这在本领域中也被称为“纵向”或“自旋-晶格弛豫时间”。因此，该时间常数是纵向磁化在被90°射频脉冲翻转到磁横向平面中之后恢复其初始值的大约63％(1-(1/e))所花费的时间。

t2表示“横向”或“自旋-自旋弛豫时间”，并且表示垂直于由磁体装置24产生的外部磁场的核自旋磁化矢量的分量的衰减常数。

d是由a.einstein在1905定义(a.eisteinin“annphysik”,17,p549(1905))的水分子的分子自扩散系数(也称为“扩散常数”)。与费克定律不同，它的定义不需要“梯度”。相反，可想到在大体积内有一定的小体积的水分子。在经过一定的时间间隔t之后，许多水分子将由于布朗运动而“扩散”到该体积之外。扩散系数描述了该过程的速度。来自einstein的方程描述了布朗运动行进的水分子的距离x：

x²＝2×d×t

在nmr中，可使用水nmr信号和磁场梯度的应用来测量该过程。水的扩散系数d由几个解剖学细节改变。例如，如果存在扩散屏障，如细胞膜，则d将降低。当蛋中的胚胎与周围的生物结构如血管等一起发育时，可能发生这种情况。

因此，64×64体素中的每个都具有与其相关联的三个参数值t1、t2和d，并且与相同体素相关联的参数的成对组合在图6的非对角线图中示出。例如，在左下图中，每个体素的t1/d对在散点图中示出，其中对应于包括雄性胚胎的蛋的t1/d对由十字表示，而对应于包括雌性胚胎的蛋的t1/d对由圆表示。注意，在该图中不能看到空间信息，即t1/d对属于蛋中的哪一个位置，但是它当然是可用的。类似地，左列、中间行中的图示出t1/t2对，而中间列、第三行中的图显示t2/d对，包括蛋的雄性胚胎和雌性胚胎同样分别由十字和圆圈表示。

另外三个非对角线图示出了相同的参数组合，但是具有水平和竖直轴的作用互换，并且以用黑色和灰色表示性别的方式呈现，这允许通过肉眼更好地区分与雄性/雌性胚胎相关联的区域。

对角线图显示直方图，其中对于每个相应的参数箱，对落入箱内的体素的数量进行计数。从三个对角线图可看出，对于三个参数t1、t2和d中的每个，获得的包括雄性胚胎的蛋和雌性胚胎的直方图是不同的。虽然图6中的对角线图表示仅用于测量每个性别的单个蛋的直方图，但是当对多个蛋的直方图求平均时，如图7、图8和图9所示，可看出的是，直方图之间的偏差确实是系统的。

图7示出了在14个雌性和12个雄性蛋的t1图像中发现的t1值的平均直方图。对于两个性别，可观察到t1中的三个峰，其中对于两个性别，在较低t1时间的两个峰实际相同。然而，包括雄性胚胎的蛋在约2250ms处显示出高t1峰值，而包括雌性胚胎的蛋在约2750μs的较长t1时间处显示出高t1峰值。显示这些长t1值的t1参数图像的体素正好是位于蛋的上部的体素，胚胎位于蛋的上部。这也可从图5中至少定性地看到，其中蛋显示为水平放置配置，并且其中在每个蛋的上部确实发现了长t1时间。因此，在接近胚胎的区域中观察到的t1高峰中的性别相关差异可用于确定胚胎的性别。

图8与图7类似，除了图8示出了t2值的平均直方图。直方图示出了两个t2峰值，其中高t2峰值对应于蛋上部的体素，因此接近胚胎。对于具有雄性胚胎的蛋，t2高峰值再次较低并且位于约150ms处，而对于具有雌性胚胎的蛋，t2高峰值在约200ms。然而，t2直方图之间的差异不如t1的情况那样显著。

最后，图9示出了用于扩散系数的与图7和图8类似的直方图，可看到扩散系数具有三个峰值。同样，高扩散率峰值对应于接近胚胎位置的体素，并且发现其位置取决于性别。具体地，发现含有雄性胚胎的蛋的高扩散峰位于约1.75mm²/s，而含有雌性胚胎的蛋的高扩散峰位于约2mm²/s。

由于参数t1、t2和d中的每个都是性别敏感的，因此参数t1、t2和d可由蛋分类模块38用于确定蛋中包含的胚胎的性别。如上所述，对于这些参数中的每个，可确定代表蛋内感兴趣区域的参数值，即在胚胎位置处或接近胚胎位置，然后由分类模块38用于确定性别。

然而，在优选实施方式中，分类模块38接收整个参数图像，诸如图5所示的图像，并基于该参数图像确定。为此目的，分类模块38优选地是机器学习模块。机器学习模块能够从数据学习，然后通过从样本输入建立模型来进行数据驱动的预测或决定。例如，如图6所示，在由参数t1、t2、d、x坐标和y坐标跨越的五维参数空间中，在雄性胚胎和雌性胚胎蛋之间存在明显的区别，并且该参数空间中的这种差异的模式可通过机器学习算法很好地识别。

在机器学习和统计中，分类是识别一组类别中的哪一个的问题，在这种情况下是雄性和雌性，新的观察基于其类别隶属度是已知的观察的数据的训练集而进行归属。“分类器”是实现分类的算法或机器。

因此，在优选实施方式中，分类模块38是机器学习模块。优选地，nmr参数值或从中导出的参数形成作为特征向量呈现给机器学习模块的特征值。

在优选实施方式中，分类模块38配置为使用线性分类器来确定胚胎性别的预测。线性分类器通过基于特征值的线性组合的值进行分类判决来对对象进行分类。合适的线性分类器可基于最小二乘线性回归、最近邻、逻辑回归和分离超平面中的一个或多个。线性分类器的理论是机器学习领域的技术人员已知的。对于上述线性分类器的详细说明，可参考hastie,t.,tibshirani,r.&friedman,j.theelementsofstatisticallearning.elements1,(springer,2009)。另一种合适的线性分类器是所谓的感知器算法，该感知器算法是用于二进制分类器的监督学习的算法，感知器算法的一个优点是允许在线学习，因为感知器算法一次一个地处理训练集中的元素。对于感知器算法的更多细节，参考rosenblatt,f.theperceptron:aprobabilisticmodelforinformationstorageandorganizationinthebrain.psychol.rev.65,386–408(1958)。

在可替代实施方式中，分类模块38配置为使用非线性分类器来确定胚胎性别的预测。为了使用上述nmr参数作为特征值来确定胚胎性别，可有利地使用基于分段多项式、样条、核平滑、基于树的方法、支持向量机、增强、加法和集成方法或图模型的非线性分类器。同样，对这些非线性分类器的详细说明可从hastie的上述工作中获得，在此将其引入作为参考。特别合适的非线性分类器基于随机森林方法，随机森林方法通过在训练时构建多个决策树并输出作为决策树的类的所谓模式的类来操作。关于随机森林方法的更多细节，参考criminisi,a.decisionforests:aunifiedframeworkforclassification,regression,densityestimation,manifoldlearningandsemi-supervisedlearning.foundationsandincomputergraphicsandvision7,81–227(2011)。

在又一可替代实施方式中，分类模块38配置为使用深度学习算法来确定胚胎性别的预测。深度学习是如本公开中所提及的机器学习方法的广泛族的部分，并且是基于学习数据表示，这与任务特定算法相反。对于合适的深度学习算法的综述，参考y.,l.,y.,b.&g.,h.deeplearning.nature521,436–444(2015)。用于本发明目的的特别合适的深度学习算法是基于卷积神经网络的，如lecun,y.etal.handwrittendigitrecognitionwithaback-propagationnetwork.adv.neuralinf.process.syst.396–404(1990).doi:10.1111/dsu.12130中所描述，基于递归神经网络，如donahue,j.etal.long-termrecurrentconvolutionalnetworksforvisualrecognitionanddescription.cvpr07–12–june,2625–2634(2015)中所描述的，基于长期短期存储器网络，如hochreiter,s.&schmidhuber,j.longshort-termmemory.neuralcomput.9,1735–1780(1997)所述。

当前优选的用于蛋性别鉴定的机器学习分类器的实现基于卷积神经网络(cnn)。图14示意性地示出了该体系结构的一般实现。将m×n像素的c参数图像显示给cnn。cnn在输入上应用c1mxn卷积滤波器、池化和激活，导致具有c1信道的大小为m1xn1的第一层。重复该过程p次，直到参数映射的感兴趣特征被提取。然后，使l通道的q神经层相互连接，以给出雄性或雌性的最终概率。

这些cnn的实现可包括卷积滤波器、池化、非线性激活或体系结构的变化。其中，例子是alexnet(krizhevsky,a.,sutskever,i.&hinton,g.e.imagenetclassificationwithdeepconvolutionalneuralnetworks.adv.neuralinf.process.syst.1–9(2012).doi:http://dx.doi.org/10.1016/j.protcy.2014.09.007),overfeat(sermanet,p.etal.overfeat:integratedrecognition,localizationanddetectionusingconvolutionalnetworks.arxivprepr.arxiv1312.6229(2013).doi:10.1109/cvpr.2015.7299176),vgg(simonyan,k.&zisserman,a.verydeepconvolutionalnetworksforlarge-scaleimagerecognition.int.conf.learn.represent.1–14(2015).doi:10.1016/j.infsof.2008.09.005),network-in-network(nin)(lin,m.,chen,q.&yan,s.networkinnetwork.arxivprepr.10(2013).doi:10.1109/asru.2015.7404828),googlenetandinception(szegedy,c.etal.goingdeeperwithconvolutions.inproceedingsoftheieeecomputersocietyconferenceoncomputervisionandpatternrecognition07–12–june,1–9(2015)),resnet(he,k.,zhang,x.,ren,s.&sun,j.deepresiduallearningforimagerecognition.in2016ieeeconferenceoncomputervisionandpatternrecognition(cvpr)770–778(2016).doi:10.1109/cvpr.2016.90),squeezenet(iandola,f.n.etal.squeezenet:alexnet-levelaccuracywith50xfewerparametersand<0.5mbmodelsize.arxiv1–5(2016).doi:10.1007/978-3-319-24553-9),andenet(paszke,a.,chaurasia,a.,kim,s.&culurciello,e.enet:adeepneuralnetworkarchitectureforreal-timesemanticsegmentation.arxiv1–10(2016))。

根据本理解，上述三个nmr参数t1、t2和d对于性别预测是最相关联的，并且如果分类模块38基于其对所有三个参数的预测，具体是参数图像，则可获得最可靠的结果。然而，本发明不限于此。在一些实施方式中，使用一组两个或更多个nmr参数，其中至少一个nmr参数选自t1弛豫时间、t2弛豫时间和扩散系数。在这样的实施方式中，该组nmr参数可进一步包括以下参数中的一个或多个：t2*弛豫时间、t1ρ弛豫时间和与核1h、13c、23na和31p中的一个或多个相关联的自旋密度。

另外或替代地，该nmr参数组还可包括以下中的一个或多个：代谢物的化学位移信号，代谢物具体为水、脂质、氨基酸、核酸或激素；化学位移选择传递信号；以及零量子相干或多量子相干nmr信号。

代替区分蛋14中胚胎的性别，可操作图1的装置10来确定蛋14的生育力，下面将参照图10至图12进行解释。

图10示出了在多个可育蛋(实线)和不育蛋(虚线)中观察到的扩散系数的平均直方图。更准确地说，已经为多个蛋的整个体积的扩散系数图像的每个体素确定了扩散系数。从图10中可看出，柱状图具有非常相似的大约2mm²/s的值(对应于清蛋白)，但是在不育蛋中比在不育蛋中更频繁地发现大约1mm²/s的扩散系数(在蛋黄内的区域中发现)。因此，可将这种差异作为确定生育力的标准。

图11示出了对于9个可育蛋和10个不育蛋，在1mm²/s和2mm²/s下的扩散系数直方图值对的散点图。从图11可看出的是，在简单的散点图中，每个物种除了一个蛋之外的所有蛋都位于虚线分隔线的对应侧，虚线分隔线表示在2mm²/s和1mm²/s处的直方图值的比率，对于可育蛋来说，通常超过该比率，而对于不育蛋来说，则不会达到该比率。

图12显示可育蛋和不育蛋的蛋黄的nmr光谱。该光谱显示对应于脂肪的在约1ppm处的峰和对应于水的在约4.7ppm处的峰。发明人已经发现，对于不育蛋，脂肪峰的高度与水峰的高度之比率高于可育蛋。因此，基于该比率，同样可区分可育蛋和不育蛋。

在优选实施方式中，可组合用于生育力的两个指标，即扩散系数直方图的形状以及脂肪峰值和水峰值的比率，以增加预测的可靠性。注意，在1mm²/s和2mm²/s处的直方图值的比较仅是利用扩散系数直方图的特征形状的一种方式。在优选实施方式中，可将整个扩散系数直方图呈现给机器学习算法，该算法自动学习，以区分对应于可育蛋和不育蛋的扩散系数直方图。图11指示在扩散率直方图中有足够的生育力相关信息来进行正确的区分，这可由诸如适当配置的蛋分类模块38的机器学习模块来适当地进行计算。

类似地，尽管图12的光谱中的脂肪峰值和水峰值的比率仅是基于光谱来区分蛋的生育力的一种方式，但在替代实施方式中，可将整个光谱呈现给机器学习模块，诸如适当配置的蛋分类模块38，其在充分训练之后可基于该光谱来区分可育蛋和不育蛋。

进一步注意的是，可育蛋和不育蛋14之间的区分可用与图1所示相同的装置10来执行，其中唯一的区别是nmr测量协议以及蛋分类模块38所采用的算法，其由中央控制器44提供给nmr装置18的部件，以便测量感兴趣的参数。

图13示出了简化的装置10'，装置10'具有与图1的装置10相同的功能，除了其没有设计用于高通量自动确定性别或生育力。设备10'包括nmr设备18，nmr设备18基本上包括与图1的设备10相同类型的部件，但是设计用于仅测量单个蛋。图13的简化设备不包括输送装置12，并且同样缺少蛋分选装置40。相反，蛋分类模块38的输出被呈现给用户界面60。该简化版本可用于实验室规模分析，而不是工业分析。尽管本发明的优选实施方式旨在高通量自动化方法和包括输送装置12和蛋分选装置40的设备，并且旨在并行地对多个蛋14进行测量，但是本发明不限于此，并且这里描述的所有实施方式同样可应用于未设有输送装置12和蛋分选装置40的设备。

尽管在附图和前面的说明书中示出和详细说明了优选的示例性实施方式，但是应将这些实施方式视为纯粹是示例性的，而不是对本发明的限制。在这点上，应注意的是，仅示出和指定了优选的示例性实施方式，并且应当保护当前或将来处于如权利要求所限定的本发明的保护范围内的所有变化和修改。

附图标记的说明

10用于无创式确定胚胎的性别或蛋的生育力的装置

12输送装置

14蛋

16托盘

18nmr装置

20传送带

22输送控制器

24磁体装置

26梯度线圈

28梯度控制器

30rf线圈阵列

30arf线圈

32rf控制器

34rf检测器

36图像重建模块

38蛋分类模块

40蛋分选装置

42蛋分选装置40的抽吸杯

44中央控制器

45数据通道

46输送方向

48托盘16中的凹窝

50天线部分

52调谐电容器

54前置放大器

56传输线路

58nmr分光计

60用户界面