85 Tibiotarsus cortical bone area: Opportunities and challenges to define novel leg health traits in purebred male turkeys (Meleagris gallopavo) using computed tomography.
Notice bibliographique
Résumé
Abstract Compromised leg health is one of the prominent causes of pre-slaughter mortality and culling in meat-type poultry selected for rapid growth and heavy body weight. While poor leg health raises animal welfare concerns and can cause lameness, bone deformities and fractures, it also leads to economic losses from carcass condemnation at slaughter due to broken bone fragments in leg muscles. Thus, inclusion of leg health parameters in breeding programs is crucial to ensure a simultaneous improvement of livability and performance. Routine measurements of gait and feet defect scoring can be laborious, time intensive and fail to pinpoint in-depth information regarding the animal’s bone health. This highlights the importance of using non-invasive technology such as advanced computed tomography (CT) to phenotype individuals for novel leg health traits and accelerate breeding progress in populations. The objective of this study was to define novel leg health traits through utilization of CT scans of purebred male turkeys to explore first insights in the possibility to breed for such traits. Tibiotarsus cortical fraction (CF) was defined as the percentage of the pixel dense area (cortical bone) relative to the total number of pixels of the tibiotarsus. CF could serve as a potential indicator of bone strength and architecture. A small group of 15 purebred male turkeys were scanned at 16 weeks old and these scans were used to train and test a panoptic segmentation deep learning model implemented in a custom script using Python 3.11. Five random axial plane slices were chosen from each animal (75 slices total) and manually annotated for right (RL) and left (LL) legs using the Labelme software. The model was then trained using transfer learning techniques utilized from the Facebook AI Research’s (FAIR) library platform, Detectron 2. The training was performed using 64 annotated slices, and the 11 remaining annotated slices were used for model testing, detection, segmentation and calculation of the bone area. Preliminary results indicate an average of RL CF of 52.16%, with an average confidence level of 83%. Similarly, an average LL CF of 52.24% was observed, with an estimated confidence level of 76%. A follow-up study will include the application of deep learning models to two purebred male turkey lines with complete CT scans. The preliminary findings highlight the possibility of exploring additional novel CT-derived leg health traits, to ensure animal welfare, livability and sustainability, while increasing genetic gain in commercial turkey populations.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».