Avances en la evaluación de la calidad de derivados cárnicos mediante MRI-Visión por Computador

La alta calidad de los derivados cárnicos del cerdo Ibérico viene determinada por sus particulares atributos sensoriales, tales como la jugosidad, el brillo de la grasa y el magro, el color rojo del magro, el veteado abundante y un flavor intenso [5]. Otros parámetros como el porcentaje de agua y la cantidad de sal también son determinantes en la calidad de estos productos. La evaluación de estas características se lleva a cabo de forma habitual mediante análisis físico-químicos y sensoriales. Esto supone el empleo de técnicas destructivas que además son laboriosas, implican el uso de reactivos, llevan tiempo y, en el caso del análisis sensorial, requiere consumidores y/o panelistas entrenados.

Como alternativa a estas técnicas habituales, se viene proponiendo desde hace unos años ([6], [7]), el uso de Imágenes de Resonancia Magnética (MRI) junto con técnicas de Visión por Computador para el análisis de los parámetros de calidad de la carne y los derivados cárnicos. Este procedimiento se lleva a cabo en tres etapas: la adquisición de MRI, el análisis de MRI y el tratamiento de los datos obtenidos. El análisis de las imágenes permite transformarlas en un vector de características. Para ello, los algoritmos comúnmente aplicados han sido los basados en textura (GLCM, NGLDM y GLRLM), y más recientemente han empezado a utilizarse algoritmos basados en fractales [3]. En cuanto al análisis de los datos, lo habitual ha sido el empleo de herramientas estadísticas como el coeficiente de correlación de Pearson y el análisis de componentes principales [2], empleando técnicas de validación optimistas.

El objetivo de este trabajo ha sido mejorar la metodología relativa al análisis de las imágenes MRI y al análisis de datos para predecir características de calidad de lomos y jamones ibéricos [1].

La figura 1 muestra el diseño experimental llevado a cabo en este estudio. En primer lugar se produjo la adquisición de las imágenes MRI de lomos y jamones Ibéricos, utilizando dispositivos de MRI. Una vez obtenidas las MRI, se realizaron los análisis físico-químicos y sensoriales. Todas las MRI fueron preprocesadas y posteriormente analizadas mediante nuevos métodos de textura, obteniéndose vectores de características para cada una de ellas. A continuación, se construyó una base de datos con los resultados del análisis de las MRI y de los análisis físico-químicos y sensoriales. Sobre esta base de datos se aplicaron regresores avanzados para obtener ecuaciones de predicción de los parámetros de calidad de los productos cárnicos en función de las características computacionales. Se han probado 15 métodos de textura en combinación con 28 regresores, teniendo 420 combinaciones en total. Los resultados de predicción obtenidos se evaluaron mediante una variante de validación cruzada y usando el coeficiente de determinación R². También se aplicó el Ranking de Freedman.

Se utilizaron lomos frescos y curados (figura 2 (A, B)), además de jamones ibéricos en distintas etapas de maduración (figura 2 (C, D, E, F)). Para la adquisición de las MRI de ambos productos se emplearon dos dispositivos de resonancia magnética distintos. Para las MRI de lomo se empleó el escáner VET-MR E-SCAN XQ (figura 3) de bajo campo (SiPA, Universidad de Extremadura, Cáceres) con un imán de 0.18 T. Para las MRI de jamón se utilizó el dispositivo Philips Gyroscan NT Intera de propósito médico de alto campo (Hospital Universitario Infanta Cristina, Badajoz) con un imán superconductivo de 1.5 Teslas, con gradiente de 23 mT/m.

Análisis físico-químicos y sensoriales

En los lomos y jamones de este estudio se determinó el porcentaje de humedad, sal y grasa, la actividad del agua y el color instrumental. También se llevó a cabo un análisis sensorial cuantitativo-descriptivo para evaluar atributos relacionados con el aspecto, olor, textura, sabor y flavor.

Análisis computacional de las MRI

Las MRI de lomo y jamón fueron preprocesadas con el objetivo de extraer de cada imagen una región de interés (ROI) cuadrada sobre la que se aplicaron los algoritmos: métodos de textura clásicos, GLCM (matriz de coocurrencia de niveles de gris), NGLDM (matriz de dependencia de niveles de gris en un vecindario) y GLRLM (matriz de longitud de hileras de niveles de gris); matriz de co-ocurrencia en diferentes escalas; suma y diferencia de histogramas (SDH); algoritmos fractales (basados en el método de la probabilidad y en el método Box-counting); filtros de Gabor; transformada de Wavelet; el operador LBP (Local Binary Pattern) [4].

Análisis de datos

Se aplicaron 28 regresores (lm, penalized, enet, rf, dlkeras…) [8] sobre la base de datos construida con los datos obtenidos (computacionales, físico-químicos y sensoriales). De esta forma se obtienen ecuaciones de predicción para cada uno de los parámetros de calidad en función de las características computacionales.

Para validar la predicción de los parámetros físico-químicos y sensoriales de forma realista, se empleó un método de validación cruzada basado en tres conjuntos de muestras, entrenamiento, validación (empleado para ajustar los hiperparámetros sintonizables de cada regresor) y test, y se calculó R² para evaluar la bondad de las ecuaciones obtenidas.

Del mismo modo se aplicó el Ranking de Freedman para realizar un análisis de los resultados, comparando diferentes combinaciones de los métodos empleados.

Para cada combinación de vector de característica (15) y regresor (28), se obtuvo la correspondiente ecuación de predicción (420) para cada uno de los parámetros de calidad (físico-químicos y sensoriales) evaluados. La mayoría de las ecuaciones, tanto para el lomo como para el jamón, obtuvieron R² superiores a 0.56, lo que indica predicciones de muy buenas a excelentes.

Seguidamente se aplicó el Ranking de Freedman para intentar buscar aquella combinación que permite predecir un mayor número de parámetros de calidad de forma fiable, en lomo y en jamón, y que fueron bartMachine-mfp y bartMachine-dtcwtVH, respectivamente.

La principal conclusión de este trabajo es la viabilidad de la aplicación de nuevas técnicas de análisis de textura sobre MRI y de regresión para predecir características de calidad de derivados cárnicos de forma no destructiva, precisa, fiable y rápida.

Se pueden aplicar diferentes combinaciones de método de análisis de textura MRI- regresor para predecir características de calidad de lomo y jamón ibéricos.

Es difícil encontrar una combinación común que permita predecir todas las características físico-químicas y atributos sensoriales de lomo y jamón ibéricos. No obstante, podría indicarse el empleo de la combinación del método de fractales con el regresor bart-Machine, mfp-bartMachine, para predecir las características de calidad de lomo ibérico; y de las combinaciones sdh-bagEarth (método de sumas y diferencias de histograma y regresor bagEarth) o dtcwtVH-bartMachine (método de wavelet dtcwtVH y regresor bartMachine), para el jamón ibérico.

El método de validación basado en tres conjuntos de muestras (entrenamiento, validación y test), permite evaluar la calidad de predicción de las características de calidad de lomo y jamón ibéricos de forma realista.

Referencias bibliográficas

• [1] M. M. Ávila. 2018. Evaluación de técnicas avanzadas de regresión y de características de textura en imágenes de resonancia magnética para determinar parámetros de calidad en productos cárnicos. Tesis doctoral. Universidad de Extremadura.
• [2] T. Antequera, E. Muriel, P. G. Rodríguez, E. Cernadas, and J. Ruiz. 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.
• [3] D. Caballero, A. Caro, M. M. Ávila, P. G. Rodríguez, T. Antequera, and T. Pérez-Palacios. 2017. New fractal features and data mining to determine food quality based on MRI. IEEE Latin American Transactions, 15(9):1778–1785.
• [4] E. Cernadas, M. Fernández, E. González, and P. Carrión. 2017. Influence of normalization and color space to color texture. Pattern Recognition Letters, 61:120–138.
• [5] C. García y A. I. Carrapiso. 2001. Tecnología del jamón ibérico: De los sistemas tradicionales a la explotación racional del sabor y el aroma. La calidad sensorial del jamón ibérico y su evaluación: la cala y la cata del jamón. Mundi Prensa, Madrid (España), 391–418.
• [6] T. Pérez-Palacios T., T. Antequera, M. L. Durán, A. Caro, P. G. Rodríguez, and J. Ruiz. 2010. MRI-based analysis, lipid composition and sensory traits for studying Iberian dry-cured hams from pigs fed with different diets. Food Research International, 43:248–254.
• [7] T. Pérez-Palacios, D. Caballero, T. Antequera, M. L. Durán, M. M. Ávila, and A. Caro. 2017. Optimization of MRI Acquisition and Texture Analysis to Predict Physico-chemical Parameters of Loins by Data Mining. Food Bioprocess Technology, 10:750–758.
• [8] M. S. Sirsat. Application of machine learning to agricultural soil data. 2017. PhD thesis. Universidad de Santiago de Compostela (CiTIUS).