Estimation of carcass composition and cut composition from computed tomography images of live growing pigs of different genotypes
Notice bibliographique
Résumé
The aim of the present work was (1) to study the relationship between cross-sectional computed tomography (CT) images obtained in live growing pigs of different genotypes and dissection measurements and (2) to estimate carcass composition and cut composition from CT measurements. Sixty gilts from three genotypes (Duroc×(Landrace×Large White), Pietrain×(Landrace×Large White), and Landrace×Large White) were CT scanned and slaughtered at 30 kg (n=15), 70 kg (n=15), 100 kg (n=12) or 120 kg (n=18). Carcasses were cut and the four main cuts were dissected. The distribution of density volumes on the Hounsfield scale (HU) were obtained from CT images and classified into fat (HU between -149 and -1), muscle (HU between 0 and 140) or bone (HU between 141 and 1400). Moreover, physical measurements were obtained on an image of the loin and an image of the ham. Four different regression approaches were studied to predict carcass and cut composition: linear regression, quadratic regression and allometric equations using volumes as predictors, and linear regression using volumes and physical measurements as predictors. Results show that measurements from whole animal taken in vivo with CT allow accurate estimation of carcass and cut composition. The prediction accuracy varied across genotypes, BW and variable to be predicted. In general, linear models, allometric models and linear models, which included also physical measurements at the loin and the ham, produced the lowest prediction errors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».