Algoritmos de extracción de características a partir de imágenes de resonancia magnética para evaluar parámetros de calidad en jamón y lomo mediante minería de datos

Este estudio propone una metodología no destructiva basada en el análisis de Imágenes de Resonancia Magnética (MRI) para determinar parámetros de calidad de lomo y jamón Ibérico de manera no destructiva. Las MRI se obtienen escaneando los jamones y lomos en dispositivos de alto y bajo campo respectivamente. Las MRI obtenidas se analizan aplicando diferentes algoritmos de características de texturas computacionales (GLCM, GLRLM y NGLDM) y de dimensiones fractales (FTA y OPFTA). De forma paralela, los productos cárnicos se analizan mediante técnicas de análisis físico-químicos y sensoriales. Finalmente, diferentes técnicas de minería de datos se aplican sobre los datos obtenidos, técnicas deductivas (Regresión lineal múltiple –RLM-), de clasificación (Árboles de decisión –AD– y sistemas basados en reglas –SBR–) y de predicción (RLM y Regresión Isotónica –RI–). La precisión del análisis de los parámetros de calidad depende de la secuencia de adquisición de las MRI, el algoritmo utilizado para analizar las imágenes y la técnica de minería de datos aplicada. En particular, la aplicación consiste en el uso de Spin Echo (SE) como secuencia de adquisición de MRI, GLCM u OPFTA como algoritmos de análisis de imágenes y RLM como técnica de minería de datos para obtener ecuaciones de predicción de características físico-químicas y atributos sensoriales del lomo y el jamón Ibérico con un alto grado de fiabilidad.

Los productos cárnicos procedentes del cerdo Ibérico presentan unas características de calidad que hacen que sean muy apreciados por los consumidores. Sus atributos de calidad dependen de las características de la materia prima (raza y alimentación) y de sus condiciones de procesado.

Los métodos de análisis físico-químicos y sensoriales para evaluar la calidad de del jamón y lomo ibéricos son tediosos, conllevan el uso de disolventes orgánicos, en el caso del análisis físico-químico, y de un panel de catadores entrenados, en el caso del análisis sensorial, además consumen mucho tiempo y conllevan la destrucción de las piezas cárnicas. Como alternativa a estos métodos destructivos de análisis, han surgido en las últimas décadas diferentes técnicas de análisis no destructivos a partir de imágenes, como las cámaras CCD, la tomografía computarizada (TAC) y las imágenes de resonancia magnética (MRI).

La utilización de MRI permite un análisis no destructivo, no invasivo, no ionizante e inocuo. Las características de las imágenes dependen de parámetros relacionados con la adquisición de las mismas como son: la secuencia de adquisición (Pérez-Palacios y col., 2015) y el tiempo de relajación del espín magnético, T1 y T2 (Fantazzini y col., 2005), siendo la combinación más aplicada Spin Echo (SE) como secuencia de adquisición y T1 como tiempo de relajación.

Para analizar las imágenes, se han aplicado de manera tradicional, algoritmos clásicos de textura computacional y sobre estos datos numéricos, se aplican herramientas estadísticas como el coeficiente de correlación de Pearson o el Análisis de Componentes Principales (PCA) (Antequera y col., 2007). En los últimos años se han probado técnicas de minería de datos para predecir algunos de los atributos de calidad de los productos cárnicos (Pérez-Palacios y col., 2014), estando éstas últimas encuadradas en un proceso mayor, conocido como descubrimiento de conocimiento en bases de datos (KDD) (Fayyad y col., 1996).

Esta línea de investigación centrada en la 'Caracterización de productos cárnicos mediante análisis de Imágenes de Resonancia Magnética' se lleva a cabo en la Universidad de Extremadura, y se viene desarrollando en un ámbito multidisciplinar en la que intervienen investigadores del grupo de Ingeniería de Medios (GIM) y del grupo de Tecnología y Calidad de los Alimentos (TECAL) del Instituto Universitario de Investigación de Carne y Productos Cárnicos (IProCar). Hasta ahora se ha conseguido: clasificar lomos y jamones Ibéricos en función de la alimentación de los cerdos (Cernadas y col., 2001; Pérez-Palacios y col., 2011; Caballero y col., 2018a), estimar el porcentaje de mermas y los tiempos de procesado del jamón (Antequera y col., 2007) y predecir atributos sensoriales en el lomo y jamón Ibérico (Antequera y col., 2003; Cernadas y col., 2005; Pérez-Palacios y col., 2010).

Así, este estudio pretende avanzar en tres bloques: i) la adquisición de imágenes, ii) el análisis de imágenes mediante técnicas de visión por computador y iii) el tratamiento de los datos aplicando técnicas de minería de datos. Siendo el objetivo principal, proponer una metodología de análisis basada en el uso de MRI, el desarrollo de nuevos algoritmos para el análisis de imágenes y la aplicación de técnicas de minería de datos para determinar los atributos de calidad del jamón y lomo ibérico de manera no destructiva.

Para el desarrollo de este estudio se establecieron distintos lotes de lomos y jamones frescos y curados.

Adquisición de imágenes

Para la adquisición de imágenes MRI de jamón, se han empleado un scanner de alto campo magnético (Hospital Universitario Infanta Cristina de Badajoz (Philips Gyroscan NT Intera 1.5 T)), y para el estudio de los lomos se utilizó un scanner MRI de bajo campo (SiPA, Universidad de Extremadura, Cáceres (Esaote VET-MR E-SCAN XQ 0.18 T)). Con el objetivo de optimizar este último, se aplicaron y compararon tres secuencias de adquisición de imágenes MRI (Spin Echo (SE), Gradient Echo (GE) y Turbo 3D (T3D)) (Pérez-Palacios y col., 2017).

Análisis de imágenes

Se emplearon diferentes algoritmos de visión por computador. En el caso del jamón, en primer lugar, se aplican algoritmos de Contornos Activos para aislar el músculo a estudiar (Caro y col., 2012) y después se selecciona una región de interés (ROI) (Molano y col., 2012). Sobre estas se aplicaron diferentes algoritmos de características de texturas computacionales (GLCM, GLRLM y NGLDM) (Pérez-Palacios y col., 2010; 2011).

En el caso del lomo, se seleccionó la región de interés (ROI) (Molano y col., 2012). Posteriormente sobre estas ROI se aplicaron diferentes algoritmos de características de texturas computacionales (GLCM, GLRLM y NGLDM) (Caballero y col., 2018b) y de características de dimensiones fractales (FTA y OPFTA) (Caballero y col., 2018b).

Análisis físico-químicos y sensoriales

Se determinaron mediante técnicas de análisis físico-químicos en los lotes de lomos y jamones Ibéricos diferentes parámetros de calidad (Humedad, Grasa, sal, actividad del agua y color instrumental) (A.O.A.C., 2000; Pérez-Palacios y col., 2008) y sobre los mismos productos se realizó un análisis sensorial cuantitativo descriptivo (Antequera y col., 2003).

Análisis de datos

Se elaboró una base de datos a partir de los datos obtenidos mediante los algoritmos de visión por computador y de los análisis físico-químicos y sensoriales. Sobre dicha base de datos se aplicaron diferentes técnicas de minería de datos: i) deductivas (Regresión lineal múltiple –RLM-) (Pérez-Palacios y col., 2014), ii) de clasificación (Arboles de decisión –AD– y Sistemas basados en reglas –SBR–) (Caballero y col., 2016a) y iii) predictivas (RLM y Regresión isotónica –RI–) (Caballero y col. 2016b; 2017c; 2017d; 2018b; 2018c; Pérez-Palacios y col. 2017). La Figura 1 muestra el procedimiento seguido por la metodología propuesta.

En relación a las secuencias de adquisición de imágenes que se probaron para el lomo, los mejores resultados se obtuvieron aplicando la secuencia SE (Pérez-Palacios y col., 2017). La Figura 2 muestra imágenes MRI de lomos frescos y curados (Figura 2A y 2B), y de jamones frescos y curados (Figura 2C y 2D). En ambos casos se pueden apreciar diferencias visuales entre las imágenes de los productos frescos y curados fundamentalmente debidas a las diferencias en el contenido acuoso entre ambas fases de procesado.

En relación al bloque de análisis de MRI, los resultados obtenidos con los algoritmos de texturas computacionales (GLCM, GLRLM y NGLDM) presentan correlaciones elevadas con la mayoría de los parámetros de calidad evaluados. Además de estos algoritmos clásicos de análisis de textura de las imágenes, se han desarrollado en este estudio dos algoritmos de características de dimensiones fractales, FTA (Caballero y col., 2017a) y OPFTA (Caballero y col., 2017b). Estos últimos muestran correlaciones ligeramente superiores a los algoritmos de características de textura clásicos, y entre ellos es el OPFTA el óptimo, por su simplicidad y su bajo coste computacional.

Considerando, las técnicas de minería de datos utilizadas, RLM fue la más apropiada para deducir parámetros físico-químicos del jamón (Pérez-Palacios y col., 2014) concretamente se obtuvieron valores de R superiores a 0.90, y AD para clasificar jamones en función de su contenido en sal (Caballero y col., 2016a), alcanzando porcentajes de clasificación correcta superiores al 75 %. Teniendo en cuenta las técnicas predictivas, RLM permite obtener ecuaciones para determinar características físico-químicas y atributos sensoriales del jamón Ibérico (Caballero y col., 2016b) con un coeficiente de correlación superior a 0,75 tanto para el producto en fresco como en curado. La predicción de las características de calidad (físico-químicas y sensoriales) del lomo (Caballero y col., 2017c; 2017d; 2018b; 2018c; Pérez-Palacios y col. 2017) obtuvo resultados similares aplicando RLM y RI (R>0,75), destacando RLM por su mayor precisión. La figura 3 muestra el ajuste entre los valores obtenidos para la humedad de los lomos curados mediante análisis físico-químicos (color negro) y mediante la metodología propuesta (color gris) aplicando la mejor combinación para predecir, es decir, SE como secuencia de adquisición de imágenes, OPFTA como algoritmo de análisis de imágenes y RLM como técnica de predicción.

La principal conclusión de este estudio ha sido la propuesta de una metodología de análisis para determinar las características de calidad de los productos cárnicos (lomos y jamones Ibéricos) de manera no destructiva. La precisión del análisis depende de la secuencia de adquisición de MRI, del algoritmo de análisis de imagen utilizado y de la técnica de minería de datos aplicada. En particular, la aplicación consiste en el uso de SE como secuencia de adquisición de MRI, GLCM u OPFTA como algoritmos de análisis de imágenes y RLM como técnica de minería de datos para obtener ecuaciones de predicción de características físico-químicas y atributos sensoriales del lomo y el jamón Ibérico con un alto grado de fiabilidad. De esta manera, la calidad de estos productos se determina de manera rápida, precisa y no destructiva. La integración de todos los algoritmos desarrollados en un software en los ordenadores de los dispositivos de resonancia magnética, permitiría la obtención de los resultados en tiempo real sin llevar a cabo la destrucción de la pieza cárnica.

Referencias bibliográficas

• Antequera, T., Muriel, E., Rodríguez, P.G., Cernadas, E. y Ruiz, J. (2003). Magnetic resonance imaging as a predictive tool for sensory characteristics and intramuscular fat content of dry-cured loin. Journal of the Science of Food and Agriculture, 83, 268-274.
• Antequera, T., Caro, A., Rodríguez, P.G. y Pérez-Palacios, T. (2007). Monitoring the ripening process of Iberian ham by Computer vision on magnetic resonance imaging. Meat Science, 76, 561-567.
• Association of Official Analytical Chemist (2000). Official methods of analysis of AOAC International. Vols. 1 y 2. Ed. AOAC International. Gaithersburg, Maryland, Estados Unidos.
• Caballero, D., Caro, A., Rodríguez, P.G., Durán, M.L., Ávila, M.M., Palacios, R., Antequera, T. y Pérez-Palacios, T. (2016a). Modeling salt diffusion in Iberian ham by applying MRI and data mining. Journal of Food Engineering, 189, 115-122.
• Caballero, D., Antequera, T., Caro, A., Durán, M.L. y Pérez-Palacios, T. (2016b). Data mining on MRI-computational texture features to predict sensory characteristics in ham. Food and Bioprocess Technology, 9, 699-708.
• Caballero, D., Caro, A., Ávila, M.M., Rodríguez, P.G., Antequera, T. y Pérez-Palacios, T. (2017a). New fractal features and data mining to determine food quality based on MRI. IEEE Latin American Transactions, 15(9), 1777-1784.
• Caballero, D., Caro, A., Amigo, J.M., Dahl, A.B., Ersboll, B.K. y Pérez-Palacios, T. (2017b). Development of a new fractal algorithm to predict quality traits of MRI loins. Lecture Notes in Computer Science, 10424, 208-218.
• Caballero, D., Pérez-Palacios, T., Caro, A., Amigo, J.M., Dahl, A.B., Ersboll, B.K. y Antequera, T. (2017c). Prediction of pork quality parameters by applying fractals and data mining on MRI. Food Research International, 99, 739-747.
• Caballero, D., Antequera, T., Caro, A., Ávila, M.M., Rodríguez, P.G. y Pérez-Palacios, T. (2017d). Non-destructive analysis of sensory traits of dry-cured loins by MRI-computer vision techniques and data mining. Journal of the Science of Food and Agriculture, 97, 2942-2952.
• Caballero, D., Pérez-Palacios, T., Ávila, M.M., Caro, A. y Antequera, T. (2018a). Clasificación de jamones Ibéricos mediante análisis de imágenes de resonancia magnética. X Foro ANVEPI, Badajoz, España.
• Caballero, D., Caro, A., Dahl, A.B., Ersboll, B.K., Amigo, J.M., Pérez-Palacios, T. y Antequera, T. (2018b). Comparison of different image analysis algorithms on MRI to predict physico-chemical and sensory attributes of loin. Chemometrics and Intelligent Laboratory Systems, DOI: 10.1016/j.chemolab.2018.04.008.
• Caballero, D., Antequera, T., Caro, A., Amigo, J.M., Ersboll, B.K., Dahl, A.B. y Pérez-Palacios, T. (2018c). Analysis of MRI by fractals for prediction of sensory attributes: A case of study in loin. Journal of Food Engineering, 227, 1-10.
• Caro, A., Rodríguez, P.G., Durán, M.L. y Antequera, T. (2012). Active contours for real time applications. In Fourier, M.D. (ed). Perspectives on pattern recognition. Ed. Nova Science Publishers. Nueva York, Estados Unidos.
• Cernadas, E., Antequera, T., Rodríguez, P.G., Durán, M.L., Gallardo, R. y Villa, D. (2001). Magnetic resonance imaging to classify loin from Iberian pig. In Webb, G.A., Belton, P.S., Gil, A.M. y Delgadillo, I. (eds.). Magnetic Resonance imaging in food science. A view to the future (pags. 239-245). Ed. The Royal Society of Chemistry. Cambridge, Reino Unido.
• Cernadas, E., Carrión, P., Rodríguez, P.G., Muriel, E. y Antequera, T. (2005). Analyzing magnetic resonance images of Iberian pork loin to predict its sensorial characteristics. Computer vision and image understanding, 98, 345-361.
• Fantazzini, P., Bortolotti, V., Garavaglia, C., Gombia, M., Riccardi, S., Schembri, P, Virgili, R. y Bordini, C.S. (2005). Magnetic Resonance Imaging and relaxation analysis to predict non-invasively and non-destructively salt-to-moisture ratios in dry-cured meat. Magnetic Resonance Imaging, 23, 359-361.
• Fayyad, U., Piatetsky-Shapiro, G. y Smyth, P. (1996). From data mining to knowledge discovery in databases. American Association for Artificial Intelligence, 17, 37-54.
• Molano, R., Rodríguez, P.G., Caro, A. y Durán, M.L. (2012). Finding the largest area rectangle of arbitrary orientation in a closed contour. Applied mathematics and computation, 218, 9866-9874.
• Pérez-Palacios, T., Ruiz, J., Martín, D., Muriel, E. y Antequera, T. (2008). Comparison of different methods for total lipid quantification. Food Chemistry, 110, 1025-1029.
• Pérez-Palacios, T., Antequera, T., Molano, R., Rodríguez, P.G. y Palacios, R. (2010). Sensory traits prediction in dry-cured hams from fresh product via MRI and lipid composition. Journal of Food Engineering, 101, 152-157.
• Pérez-Palacios, T., Antequera, T., Durán, M.L., Caro, A., Rodríguez, P.G. y Palacios, R. (2011). MRI-based analysis of feeding background effect on fresh Iberian ham. Food Chemistry, 126, 1366-1372.
• Pérez-Palacios, T., Caballero, D., Caro, A., Rodríguez, P.G. y Antequera, T. (2014). Applying data mining and Computer vision techniques to MRI to estimate quality traits in Iberian hams. Journal of Food Engineering, 131, 82-88.
• Pérez-Palacios, T., Caballero, D., Caro, A. y Antequera, T. (2015). Low Field magnetic resonance imaging and computational texture features to predict moisture and lipid content of loins. IV Farm Animal Imaging Conference. Edimburgo, Reino Unido.
• Pérez-Palacios, T., Caballero, D., Antequera, T., Durán, M.L., Ávila, M.M. y Caro, A. (2017). Optimization of MRI acquisition and texture analysis to predict physico-chemical parameters of loins by data mining. Food and Bioprocess Technology, 10, 750-758.