《Poultry Science》：Deep Learning-based Classification and Internal Region Stratification of Wooden Breast in Broiler by Using Ultrasound Imaging
编辑推荐：
本研究针对木质化胸肌(WB)传统触诊分类法主观性强、无法表征内部结构的问题，创新性地结合超声成像与深度学习(DL)，通过ImageJ阈值二值化与尺度校准量化病理特征空间范围，实现了WB严重程度的准确分类（MobileNetV3模型准确率达98.71%）及首次精确内部分层（轻、中、重度病理区域占比分别为55%、62%、65%），为WB禽肉的科学分级与合理化利用提供了关键技术支撑。
在追求高效生产的现代家禽业中，肉鸡的快速生长和胸肉产量提升背后，隐藏着一个让养殖者和加工企业头疼的难题——木质化胸肌(Wooden Breast, WB)。这种肌肉病变不仅使鸡胸肉变得僵硬、出现表面隆起和出血点，严重影响消费者的接受度，更导致加工企业需要对受影响禽肉进行再处理，每年造成数亿美元的经济损失。目前，全球对WB严重程度的分类主要依赖人工触诊，这种方法既耗时又主观，且无法精确表征疾病复杂的内部结构分布，制约了WB受影响胸肉的科学合理化利用。
针对这一产业痛点，发表在《Poultry Science》上的研究开创性地将超声成像技术与深度学习(Deep Learning, DL)相结合，为WB的精准诊断和内部结构解析提供了全新解决方案。研究人员收集了240份阿伯艾克(Abbor Acres)肉鸡胸肉样本（42日龄雄性），依据触诊标准将其分为正常(NORM)、轻度(MILD)、中度(MOD)和重度(SEV)四组。通过超声扫描获取图像后，利用ImageJ软件进行阈值二值化和尺度校准，量化病理特征的空间范围；同时采用MobileNetV3、ResNet18和AlexNet三种深度学习模型对超声图像进行分类。
研究发现，随着WB严重程度增加，胸肉重量、厚度、亮度(L值)、红度(a值)、黄度(b*值)、pH值、蒸煮损失和硬度均显著上升。在深度学习模型表现上，MobileNetV3展现出最优异的分类性能，训练准确率达99.50%，验证准确率达98.71%，对四类WB的分类准确率分别为95%、100%、100%和99%。通过梯度加权类激活映射(Grad-CAM)可视化显示，模型能够准确聚焦于与WB肌纤维异常和脂肪积累相关的区域。
更引人注目的是，研究首次实现了WB的精确内部分层：通过图像分析确定了轻、中、重度WB的病理区域与正常肌肉组织的分界比例分别为55%、62%和65%。这一分层结果通过生物阻抗和应力-应变测量得到了验证，显示不同分层在机械特性和电学特性上存在显著差异。
关键技术方法包括：采用7.5MHz线性阵列探头超声系统获取图像；ImageJ阈值二值化分析病理区域；MobileNetV3等三种CNN模型进行图像分类；5折交叉验证评估模型性能；生物阻抗和质构分析验证分层结果。样本来源于商业屠宰场的阿伯艾克肉鸡胸肉。
基本质量指标分析显示，WB严重程度与胸肉重量、厚度、颜色参数(L, a, b*)、pH值、蒸煮损失和硬度均呈正相关，证实了样本分级的科学性。
DL分类WB状况基于超声图像表明，经过数据增强和Dropout正则化优化的MobileNetV3模型在WB分类任务中表现最佳，其精确度、召回率和F1-score均超过98%，显著优于其他模型。
WB内部分层基于超声图像通过图像阈值分割和尺度校准，首次量化了不同严重程度WB的病理区域占比，并通过生物阻抗和力学特性差异验证了分层的合理性。
局限性与未来研究指出当前样本量和图像质量的一致性仍需提升，未来将扩大样本来源、建立跨设备校准协议和标准化操作流程，以增强模型的泛化能力和实际应用价值。
该研究的创新之处在于将超声成像这一直观、低成本、无损的检测技术与前沿深度学习算法相结合，不仅实现了WB的准确分类，更首次揭示了其内部病理结构的分布规律。这一技术突破为家禽加工企业提供了科学依据，使针对不同严重程度WB的区域化利用成为可能，从而最大程度减少经济损失。随着技术的进一步完善和推广，这套方法有望成为家禽产业中WB检测和分级的标准工具，推动肉类质量控制的智能化发展。
