运用计算机断层扫描技术活体评估种公猪瘦肉率、脂肪率和肌内脂肪含量

任志强，王晨阳，寇忠云，蔡瑞，杨公社，庞卫军

运用计算机断层扫描技术活体评估种公猪瘦肉率、脂肪率和肌内脂肪含量

西北农林科技大学动物科技学院/动物脂肪沉积与肌肉发育实验室，陕西杨凌 712100

【目的】通过研究计算机断层扫描（computed tomography，CT）技术在活体评估种公猪胴体与肉质性状中的准确性，实现对表型组进行智能测定，为种猪的选育和精细化饲养管理提供技术参数。【方法】选择体重相近（（42.02±1.05）kg）、健康状况良好的杜洛克公猪40头，饥饿处理24 h后，采取耳缘静脉注射麻醉剂，实行全身性麻醉。将猪只按照头前尾后俯卧姿势置于CT扫描床上，通过16排螺旋CT平扫获取原始图像序列。利用图像处理技术对获取的图像进行图像薄层重建与去噪、图像多平面重建和图像分割，进而对图像进行定量分析，并结合B超活体测定和屠宰测定评估了种公猪的胴体组成、背膘厚、眼肌深度、眼肌面积、胴体直长和胴体斜长等胴体性状；以屠宰测定瘦肉率为因变量，CT活体测定背膘厚、眼肌深度、眼肌面积、胴体直长和胴体斜长为自变量，运用偏最小二乘回归分析构建种猪胴体瘦肉率的预测模型；采用索氏提取法测定背最长肌、臀中肌和半膜肌样品中肌内脂肪（intramuscular fat，IMF）含量，并与CT活体评估对应部位肌内脂肪含量进行相关性分析。【结果】在对CT活体评估与屠宰测定瘦肉率、脂肪率、骨率、皮率进行相关性分析时发现，两者之间的相关系数（）均达到0.85以上，呈强相关（＜0.01）；经一元线性回归分析，决定系数（2）分别为0.832、0.820、0.800和0.740。此外，CT活体评估与屠宰测定背膘厚、眼肌深度、胴体直长和胴体斜长无显著差异（＞0.05）；在胸腰椎结合处（P2点）测量背膘厚时，B超活体测定与屠宰测定差异显著（＜0.05），而CT活体评估与屠宰测定差异不显著（＞0.05）。采用偏最小二乘法建立了预测种公猪胴体瘦肉率的回归模型，其预测均方根误差（root mean square error of prediction，RMSEP）和决定系数（2）分别为0.1472、0.983。进一步通过CT评估肌内脂肪含量，CT活体评估和屠宰测定背最长肌、臀中肌、半膜肌肌内脂肪含量呈强相关（＜0.01），相关系数（）分别为0.837、0.815、0.786；一元线性回归分析表明，CT活体评估和屠宰测定肌内脂肪含量间存在极显著的线性正相关（＜0.01）。【结论】运用CT技术可准确活体测定种猪瘦肉率、脂肪率、骨率、背膘厚和眼肌深度等胴体性状，以及肉质指标肌内脂肪含量，为实现种猪性能的持续改良提供了技术支撑，从而更准确地选择相关性状。

计算机断层扫描；种公猪；活体评估；胴体性状；肉质性状

0 引言

【研究意义】种猪被称为“猪芯片”，对种猪的选育在生猪生产中至关重要[1]。选育优良种猪的基础是准确获取猪的重要经济性状数据，而国内长期以来对进口种猪的依赖，大大阻碍了我国种猪性状测定技术的发展。因此，通过研发新的活体性状测定技术来提高种猪性能测定的精确度对良种繁育体系建设具有重要的现实意义。【前人研究进展】二十世纪八十年代初，国外畜牧工作者发现CT（computed tomography）是一种有价值的工具，预测可以用于连续进行活体动物的身体成分估计，相关研究依次展开[2]。随着CT设备和图像分析领域的稳步发展，在一些西方国家CT逐渐应用于活畜和肉类测定中，以确定活体和胴体的身体成分以及肉品质[3]。从2000年开始，挪威的商业绵羊育种计划中，计算机断层扫描已用于活体估计胴体的重量和组成[4-5]。为了评估两个不同绵羊品种的胴体性状，LAMBE等[6]采用了活体动物视频图像分析、超声和计算机断层扫描等三种方法，发现与其他两种方法相比较，虽然CT使用价格更高，但却是活体预测绵羊脂肪和肌肉总重量的最佳方法，以此可以带来最大的经济效益。PICOUET等[7]报道，使用密度模型并结合CT进行猪胴体的扫描，可以较好地预测猪的体重和瘦肉率。此外，LAMBE等[8]对平均体重为60、85和115 kg的活猪进行CT扫描，研究低蛋白日粮对瘦肉型猪的影响，发现CT评估结果与胴体解剖测定结果高度相关，能够有效地描述饲喂不同蛋白质/氨基酸日粮方案后40—115 kg活猪的肌肉、脂肪、骨骼组成的变化。另外一方面，近几十年来种猪选育过程中过度追求瘦肉率导致肌内脂肪含量偏低，影响肉的口感和风味，由此CT评估猪肌内脂肪含量也开始受到广泛关注。对屠宰后的猪肉进行CT扫描来评估背最长肌肌内脂肪含量，结果显示的是与评估牛肉肌内脂肪含量类似，准确性较高[9]。然而，对于活体上使用CT评估种猪肌内脂肪含量的相关研究结果却出现了分歧，KONGSRO等[10]和FONT-I-FURNOLS等[11]研究结果表明CT不能用于活体评估种猪肌内脂肪含量，准确性不高，而LAMBE等[8]的结果显示对于不同生长阶段的猪，CT都可以准确地活体评估肌内脂肪含量。【本研究切入点】目前，应用计算机断层扫描技术活体评估种猪的经济性状在我国畜牧业中处于发展初步阶段，关于如何使用CT技术活体评估种公猪胴体和肉质性状尚没有系统的研究，对其深入探索就显得尤为重要。本研究选取终端父本杜洛克种公猪，利用CT进行扫描并结合图像分析技术评估种猪胴体和肉质性状。【拟解决的关键问题】基于计算机断层扫描设备和图像处理手段，建立种猪胴体组成、肌内脂肪含量等重要经济性状活体精准测定技术，实现对表型组进行智能测定，为种猪的选育和精细化饲养管理提供技术参数。

1 材料与方法

1.1 试验时间和地点

试验于2020年9月在四川成都瑞派宠物医院（华茜高新医院）进行猪CT活体扫描，随后在四川王一食品有限公司进行B超测定和屠宰采样。试验于2020年10月至2021年3月在陕西杨凌康复医院和西北农林科技大学动物科技学院完成数据分析。

1.2 试验动物

试验猪购买于四川彭州金猪农业开发有限公司，体重为（42.02±1.05）kg的杜洛克公猪40头。

1.3 猪只麻醉与CT扫描

猪只麻醉及CT扫描操作在四川成都瑞派宠物医院（华茜高新医院）进行。猪在麻醉前进行称重、编号及饥饿处理（断料不断水）。饥饿处理24 h后，实行全身性麻醉。采取耳缘静脉注射麻醉剂，丙泊酚和舒泰2﹕1配伍（0.6—0.7 mL·kg-1）。

猪的活体计算机断层扫描采用美国GE公司Brivo CT 385 Series 16排螺旋CT，扫描方法为平扫，扫描参数设置为：管电压120 kV，管电流180 mA，层厚3.75 mm，层间距3.75 mm，体位为俯卧位[12]。猪进入麻醉状态后，按照头前尾后俯卧姿势置于CT扫描床上，并调整猪体姿势，使脊柱正中线与CT红外定位线重合。扫描采用三段式扫描：头段、胸腰段和臀部扫描。先扫描定位像，确定扫描范围后进行序列扫描，获取的不同部位横断面图像见图1。

A. 头部；B. 颈部；C. 胸部；D. 腰部；E. 臀部 A. Head; B. Neck; C. Chest; D. Loin; E. Buttocks

1.4 CT图像处理

1.4.1 CT图像薄层重建与去噪 CT扫描仪生成DICOM格式的原始图像，初始薄层扫描设置的层厚为3.75 mm。在GE影像工作站中选择需要重建的原始序列，点击创建新的序列，设置层厚为0.625 mm，重建方式为stnd（standard）。在重建模式中打开IQ Enhance，减少薄层图像导致的螺旋伪影。最后设置重建算法ASIR（adaptive statistical iterative reconstruction）的权重为50%，降低图像噪声。原始图像薄层重建与去噪后生成的图像见图2。

图2 图像后重建与去噪

1.4.2 CT图像多平面重建 选择薄层重建后的序列，进入图像后处理界面，使用多平面重建技术（multi-planar reconstruction，MPR），重建出矢状面和冠状面图像（图3）。

1.4.3 CT图像分割 选择薄层重建图像序列，首先对CT床体去除。然后，逐层面去除各部位内脏区域。通过阈值分割法，将骨骼分离，随后分离脂肪。剩余皮肤与肌肉密度相近，再通过Segment工具整体分割出肌肉，余下部分为皮肤。CT图像分割示意图见图4。

A. 多平面重建；B. 横断面；C. 矢状面；D. 冠状面

A. 原始CT图像；B. 去除床体；C. 去除内脏；D. 骨骼；E. 脂肪；F. 肌肉与皮肤；G. 肌肉；H. 皮肤

1.5 CT测定猪胴体性状

对于胴体组成成分的评估，使用体积测定工具，先后点击相应视窗，记录图像分割后各组成成分的体积，由体积与密度的乘积得到重量并计算出各成分占比[13]。然后选择薄层重建后的序列，进行图像的多平面重建或三维重建。最后借助于测定距离、测定面积工具，在二维或三维结构中测量两点间距离、感兴趣区域面积，依次测定背膘厚、眼肌深度和眼肌面积、胴体直长与胴体斜长等指标。

1.6 CT测定猪肌内脂肪含量

肌内脂肪含量测定在GE影像工作站进行。选择薄层图像序列，进入图像后处理界面后调整左上视窗显示模式为X-Section，在横断面视窗中调整图像层面，结合矢状面视窗和冠状面视窗定位到倒数3—4肋骨处背最长肌、臀中肌、半膜肌对应的层面（图5）。然后，在该横断面层面上勾画感兴趣区域（ROI）。最后在X- Section视窗中调整感兴趣区的阈值范围，获取的脂肪面积与感兴趣区域面积的比例即肌内脂肪含量（图6）[14]。

A. 背最长肌；B. 臀中肌；C. 半膜肌 A. Longissimus thoracis; B. Gluteus medius; C. Semimembranosus

A. 选择感兴趣区域；B. 测定结果示意图 A. Select the region of interest; B. Diagram of measurement results

1.7 B超测定猪背膘厚与眼肌深度

屠宰前，采用便携式B超（DW-580）测定猪肩部最厚处、胸腰椎结合处、腰荐椎结合处和倒数3—4肋骨处等4点背膘厚；倒数3—4肋骨处眼肌深度[15]。以脂肪与肌肉界线为起点，垂直向下直至两肋骨间肌肉最深处即为眼肌深度（背膘厚评定标准包括3点测定，即肩部最厚处、胸腰椎结合处、腰荐椎结合处；或一点测定，即倒数3—4肋骨处，因此本试验选取了上述4个部位）。

1.8 屠宰测定猪胴体性状

CT扫描和B超测定完成后将40头猪进行屠宰，经24 h排酸处理后将胴体瘦肉、脂肪、骨骼、皮肤分别剥离称重，并计算瘦肉率、脂肪率、骨率和皮率[16]。分别使用游标卡尺、硫酸纸和皮尺测定屠宰后实际背膘厚、眼肌深度和眼肌面积、胴体直长和胴体斜长[17]。

1.9 屠宰测定肌内脂肪含量

在猪屠宰后45—60 min内，切取倒数3—4肋骨间背最长肌、臀中肌、半膜肌作为样本，采用索氏抽提法测定不同肌肉肌内脂肪含量，测定步骤参照文献[18]。

1.10 数据分析

试验数据用Microsoft Excel 365作初步整理，然后使用SPSS 26.0 软件进行分析。数据分析时先检查数据的正态性（Shapiro-Wilk检验）和方差的齐次性（Levene检验），对于不符合的数据进行反正弦转换以满足参数假设，随后进行独立样本t检验或单因素方差分析。相关分析采用Pearson相关分析。分别以CT活体评估胴体组成、肌内脂肪含量为自变量，屠宰测定胴体组成、肌内脂肪含量为因变量，进行回归分析并建立线性模型。结果以平均值±标准差（Mean±SD）表示，*表示差异显著，**表示差异极显著。

建立胴体瘦肉率多元线性回归模型。因变量为实测瘦肉率，自变量为CT活体测定背膘厚、眼肌深度、眼肌面积、胴体直长和胴体斜长。使用R语言进行偏最小二乘回归（partial least square regression，PLS）分析，具体代码略。

2 结果

2.1 CT评估猪胴体组成

由表1可知，CT评估和屠宰实测胴体组成瘦肉率、脂肪率、骨率、皮率的相关系数（）均大于0.85。一般认为相关系数（）的绝对值在0.7以上为强相关，说明CT评估胴体组成与屠宰测定相关性为强相关，相关性均达到极显著水平（＜0.01）。

如图7所示，对CT评估和屠宰实测胴体组成瘦肉率、脂肪率、骨率、皮率进行一元线性回归分析。决定系数（2）均达0.7以上，表明活体CT评估和屠宰胴体组成间存在极显著的线性正相关（＜0.01）。

表1 CT活体测定胴体组成与屠宰真实值的相关性

同行数据肩标，*表示差异显著（＜0.05），**表示差异极显著（＜0.01）。下同

In the same row, * mean significant difference (＜0.05), ** mean extremely significant difference (＜0.01). The same as below

2.2 CT评估猪背膘厚

使用二维测距离工具在CT横断面图像上测定所选部位距离背中线4—6 cm处背膘厚，示意图如图8-A所示。由图8-B可知，CT和B超在测定肩部最厚处（P1点）背膘时，与屠宰实测差异显著（＜0.05），同时CT测定值高于B超，两者之间存在显著差异（＜0.05）。此外，在胸腰椎结合处（P2点）测量时，B超与屠宰实测差异显著（＜0.05），而CT与屠宰实测差异不显著（＞0.05）。由此可见，通过CT活体测定背膘厚较B超测定准确性高。

2.3 CT评估猪眼肌深度与眼肌面积

眼肌深度和眼肌面积分别通过二维测距离和测面积工具测量，由图9-A可知，在测定倒数3—4肋骨处眼肌深度时，B超与CT、屠宰实测均差异显著（＜0.05），而CT与屠宰实测差异不显著（＞0.05）。由图9-B可知，在测定倒数3—4肋骨处眼肌面积时，CT测定值显著高于屠宰实测（＜0.05）。

2.4 CT评估猪胴体直长与胴体斜长

胴体直长和胴体斜长以二维横断面图像三维重建后借助于三维测距离工具测量，由图10可知，使用CT活体评估胴体直长、胴体斜长与屠宰实测差异不显著（＞0.05），这说明CT在测定胴体长时准确性较高，可以用于生产实践。

2.5 胴体瘦肉率预测模型构建

以猪瘦肉率屠宰实测值为因变量，CT测定背膘厚、眼肌深度、眼肌面积、胴体直长和胴体斜长为自变量，经偏最小二乘回归分析，得到活体预测胴体瘦肉率的回归方程。预测均方根误差（RMSEP）为0.1472，决定系数（2）为0.983。

图7 CT评估与实测胴体组成的回归分析

A. 背膘厚测定示意图；B. 背膘厚测定结果 A. Diagram of backfat thickness determination; B. Backfat thickness measurement results

预测回归模型为：y=56.0691-0.1330x1-0.0346x2- 0.4554x3-0.1478x4+0.0406x5+0.0739x6+0.0631x7+0.0838x8

式中，y为预测的胴体瘦肉率，x1为肩部最厚处背膘厚，x2为倒数3—4肋骨处背膘厚，x3为胸腰椎结合处背膘厚，x4为腰荐椎结合处背膘厚，x5为倒数3—4肋骨处眼肌深度，x6为倒数3—4肋骨处眼肌面积，x7为胴体直长，x8为胴体斜长。

2.6 CT评估猪肌内脂肪含量

由表2可知，CT评估和屠宰实测背最长肌、臀中肌、半膜肌肌内脂肪含量的相关系数（）均大于0.75，说明CT评估肌内脂肪含量与屠宰测定相关性为强相关，相关性达到极显著水平（＜0.01）。

如图11所示，对CT评估和屠宰实测背最长肌、臀中肌、半膜肌肌内脂肪含量进行了一元线性回归分析。决定系数（2）均达0.6以上，表明活体CT评估和屠宰测定肌内脂肪含量间存在极显著的线性正相关（＜0.01）。

A. 眼肌深度；B. 眼肌面积 A. Eye muscle depth; B. Eye muscle area

A. 胴体直长；B. 胴体斜长 A. Carcass straight length; B. Carcass sloping length

图11 CT与实测肌内脂肪含量间的回归分析比较

Fig.11 Regression analysis of CT and actual intramuscular fat content

表2 CT活体测定肌内脂肪含量与屠宰真实值的相关性

3 讨论

3.1 CT评估猪胴体组成

种猪胴体性状具有高遗传力，胴体瘦肉率作为评价胴体性状的一项重要指标，对种猪的选育意义重大，也与猪场的经济效益密切相关，因而必须提高种猪胴体瘦肉率活体测定技术的准确性[19]。ROMVÁRI等[20]以60头猪的左半胴体为测定对象，通过CT扫描和屠宰实测，发现该方法测定猪胴体瘦肉率的误差不高于解剖误差。此外，CARABÚS等[21]用CT分析活猪来评估体重分别为30、70、100和120 kg时三种遗传类型的猪身体成分的变化，结果证实计算机断层扫描适合评估活猪的身体成分，准确性较高。本研究借助CT扫描技术获取种猪活体扫描图像，以此来评估胴体组成。CT评估和屠宰实测胴体组成的相关系数（）和决定系数（2）分别达到0.85以上和0.7以上，故CT可以准确评估种猪瘦肉率、脂肪率、骨率和皮率，这与上述国外学者的研究结果相一致。近几年国内也开始探索计算机断层扫描评估种猪的胴体组成，汪杰[13]使用图像分割技术预测了种猪CT图像中的瘦肉率、脂肪率和骨率，发现和美国公司评估所提供的结果存在一定差异，说明CT扫描后图像处理的方法对结果的准确性也有影响。因此，CT活体评估种猪胴体组成时，需要研发出准确性较高的配套处理软件，从而保证获取数据的有效性。基于CT设备的口径限制，本研究选用的是40 kg左右的杜洛克公猪，与实际生产屠宰110 kg左右猪进行胴体性状测定之间存在差异，采用更大容量的CT设备对体重为110 kg左右的猪只进行评估的工作值得进一步研究。

3.2 CT评估猪背膘厚、眼肌深度与眼肌面积

猪的活体背膘厚度、眼肌面积与胴体瘦肉率呈高度遗传相关[22-23]。目前，在生猪生产中使用B超技术来测量猪的背膘厚和眼肌面积。然而，B超测定的准确性与测定人员和设备都有关，其结果和实测之间容易产生较大误差[24]。在本研究中对CT扫描后的横断面图像进行背膘厚、眼肌深度和眼肌面积的测定。在测量背膘厚方面，CT、B超与实测在肩部最厚处差异显著，这是由于测定起点不同所导致的，猪的生理结构背中线处背膘厚与距背中线4—6 cm处的边膘厚存在一定差异。屠宰后实测的背膘厚是以背中线为起点，而本试验中CT测量选取的起点与B超测定一样，即距离背中线4—6 cm[25]。同时，对于胸腰椎结合处（即最后肋骨处）的背膘厚，B超测定与屠宰测定差异显著，但CT与实测差异不显著，表明CT测定准确性高于B超。进一步对眼肌深度进行测定，B超测定值显著小于CT和屠宰实测值。CT较B超测定准确性高的原因有两方面，一是CT扫描过程中猪处于麻醉状态，而B超测定时猪虽被保定了，但猪只易动；二是CT扫描后的图像可以根据多平面重建图像和三维图像进行准确定位，B超测定过程中只能依靠测定员的熟练度进行定位。此外，在测量眼肌面积时，CT测定与实测之间差异显著，CT测定结果大于屠宰测定，其原因是屠宰实测不能直接计算不规则图形面积，而是根据公式估算出的眼肌面积。

3.3 CT评估猪胴体直长与胴体斜长

胴体直长和胴体斜长与瘦肉率也呈正相关[26]。长期以来，对于胴体直长和胴体斜长的测定只能在屠宰后进行，B超技术因其原理也无法进行测量，所以目前尚未有活体评估种猪胴体直长和胴体斜长的相关报道。CT扫描技术的优势是可以利用二维横断面图像三维重建生成3D图像，进而可以在三维上测定两点之间的距离[27-28]。本研究中通过三维重建，使用测量工具测定了胴体直长和胴体斜长，发现CT与实测之间差异不显著，CT可以准确活体评估种猪胴体直长和胴体斜长。

3.4 胴体瘦肉率预测模型构建

在动物育种实践的CT研究中，最初以普通最小二乘法建立的多元线性回归模型被用来估计猪体成分，但在独立数据库中测试这些方程时，出现了实质的偏差，这是因为自变量之间存在高度多重共线性[29]。当存在大量高度相关的预测变量（多重共线性）时，偏最小二乘回归（PLS）是一种非常有用的统计技术，其尝试提取有限数量的潜在因子，以尽可能多地解释预测变量和响应变量之间的协方差[30]。另外一方面，PLS的优势是可以应用于小样本数据的回归模型建立。

背膘厚和眼肌面积与瘦肉率直接相关，而眼肌深度与眼肌面积相关且与瘦肉率有关，此外胴体长与瘦肉率也成正相关，因此，本试验选用CT所测的背膘厚、眼肌深度、眼肌面积、胴体直长和胴体斜长为自变量，屠宰实测瘦肉率为因变量建立了偏最小二乘回归方程。预测均方根误差（RMSEP）为0.1472，远小于标准1，同时决定系数（2）为0.983，表明胴体瘦肉率预测模型预测效果好。但是，当测定样本数据量较小时，决定系数（2）会偏大，今后需要加大测定样本数量并优化模型。

3.5 CT评估猪肌内脂肪含量

在种猪的选育过程中，肉质性状也扮演着重要角色，尤其是肌内脂肪含量这个关键指标。肌内脂肪是猪肉风味物质的重要前体物，其含量影响着其他肉质性状，包括嫩度、多汁性、肉色和系水力等[31]。因此，对肌内脂肪含量的测定可以作为衡量肉品质的标准，以此鉴别出种群中品质优良的遗传个体。肌内脂肪含量可以在屠宰后通过大理石花纹评分或经索氏抽提法测定，然而这两种方法不适用于活体评估，效率较低[32]。随着B超技术的兴起，应用B超仪活体测定猪肌内脂肪含量成为有力方法，促进种猪肌内脂肪性状的选择[33]。此外，国外畜牧工作者一直致力于研发精准活体性能测定技术，逐渐发现相比于B超，计算机断层扫描对种猪性状测定更加准确。

LAMBE等[8]用CT评估不同生长阶段的活猪IMF，研究表明预测结果准确。此外，CLELLAND等[34]评估活羊时发现，CT可以准确测定活羊的肌内脂肪含量。本研究也证实了这一结论，试验在CT扫描杜洛克种公猪后，选取具有代表性的背最长肌、臀中肌和半膜肌为分析对象，定位到对应的图像测定肌内脂肪含量。对不同部位CT测定和屠宰测定IMF的相关分析发现，相关系数（）均大于0.75，呈强相关。进一步通过一元线性回归分析，结果显示活体IMF测定和屠宰测定间存在极显著的线性正相关，决定系数（2）均大于0.6。侯明俸等[35]和叶南伟等[36]通过B超预测猪肌内脂肪，决定系数（2）分别为0.48和0.421。本研究中CT评估肌内脂肪含量较B超准确性有所提高，但不足之处是所选的体重与屠宰时差异较大，而猪脂肪的大量沉积是发生在生长育肥阶段后期。

4 结论

运用CT技术活体评估种公猪的胴体性状和肉质性状，与屠宰实测相比较精准性较高。在胴体性状方面，CT测定的胴体组成，包括瘦肉率、脂肪率、骨率和皮率与实测相关系数均达0.85以上，呈强相关。此外，CT测定的背膘厚和眼肌深度较B超更准确，并能够实现活体测定胴体直长和胴体斜长。在肉质性状方面，使用CT评估的背最长肌、臀中肌和半膜肌肌内脂肪含量与实测相关系数均达0.7以上，呈强相关。因此，在种猪性能测定中可以利用计算机断层扫描技术活体测定胴体与肉质性状，以此推进表型组智能测定技术在育种基础工作中的应用，加快我国良种繁育体系建设。

[1] 唐振双, 殷东, 尹立林, 马云龙, 项韬, 朱猛进, 余梅, 刘小磊, 李新云, 邱小田, 赵书红. 猪基因组选择“两步走”策略的计算机模拟评估. 中国农业科学, 2021, 54(21): 4677-4686.

TANG Z S, YIN D, YIN L L, MA Y L, XIANG T, ZHU M J, YU M, LIU X L, LI X Y, QIU X T, ZHAO S H. To evaluate the “two-step” genomic selection strategy in pig by simulation. Scientia Agricultura Sinica, 2021, 54(21): 4677-4686. (in Chinese)

[2] SKJERVOLD H, GRØNSETH K, VANGEN O, EVENSEN A.estimation of body composition by computerized tomography. Zeitschrift Für Tierzüchtung Und Züchtungsbiologie, 2010, 98(1/2/3/4): 77-79.

[3] PRIETO N, NAVAJAS E A, RICHARDSON R I, ROSS D W, HYSLOP J J, SIMM G, ROEHE R. Predicting beef cuts composition, fatty acids and meat quality characteristics by spiral computed tomography. Meat Science, 2010, 86(3): 770-779.

[4] JONES H E, LEWIS R M, YOUNG M J, WOLF B T. The use of X-ray computer tomography for measuring the muscularity of live sheep. Animal Science, 2002, 75(3): 387-399.

[5] JOPSON N, AMER P, MCEWAN J. Comparison of two-stage selection breeding programmes for terminal sire sheep. Proceedings of the NZ Society of Animal Production, 2004, 64: 212-216.

[6] LAMBE N R, NAVAJAS E A, SCHOFIELD C P, FISHER A V, SIMM G, ROEHE R, BÜNGER L. The use of various live animal measurements to predict carcass and meat quality in two divergent lamb breeds. Meat Science, 2008, 80(4): 1138-1149.

[7] PICOUET P A, TERAN F, GISPERT M, FONT I FURNOLS M. Lean content prediction in pig carcasses, loin and ham by computed tomography (CT) using a density model. Meat Science, 2010, 86(3): 616-622.

[8] LAMBE N R, WOOD J D, MCLEAN K A, WALLING G A, WHITNEY H, JAGGER S, FULLARTON P, BAYNTUN J, BÜNGER L. Effects of low protein diets on pigs with a lean genotype 2. Compositional traits measured with computed tomography (CT). Meat Science, 2013, 95(1): 129-136.

[9] FONT-I-FURNOLS M, BRUN A, TOUS N, GISPERT M. Use of linear regression and partial least square regression to predict intramuscular fat of pig loin computed tomography images. Chemometrics and Intelligent Laboratory Systems, 2013, 122: 58-64.

[10] KONGSRO J, GJERLAUG-ENGER E.prediction of intramuscular fat in pigs using computed tomography. Open Journal of Animal Sciences, 2013, 3(4): 321-325.

[11] FONT-I-FURNOLS M, BRUN A, GISPERT M. Intramuscular fat content in different muscles, locations, weights and genotype-sexes and its prediction in live pigs with computed tomography. Animal: an International Journal of Animal Bioscience, 2019, 13(3): 666-674.

[12] 邵勇维克, 任志强, 孙昌辉, 张衡, 杨公社, 庞卫军. 计算机断层扫描(CT)对猪胴体组成评估的研究进展. 猪业科学, 2019, 36(6): 116-119.

SHAO Y, REN Z Q, SUN C H, ZHANG H, YANG G S, PANG W J. Research progress of computed tomography (CT) in evaluation of pig carcass composition. Swine Industry Science, 2019, 36(6): 116-119. (in Chinese)

[13] 汪杰. 基于CT图像的种猪优选方法研究与实现[D]. 马鞍山: 安徽工业大学, 2019.

WANG J. Research and implementation of pig breeding optimum selection method based on CT image[D]. Maanshan: Anhui University of Technology, 2019. (in Chinese)

[14] 张哲, 王楚端, 王立贤, 李俊奇, 周伟良, 李振宽. 计算机视觉技术在猪眼肌肌内脂肪含量测定中的应用. 猪业科学, 2006, 23(2): 24-25.

ZHANG Z, WANG C D, WANG L X, LI J Q, ZHOU W L, LI Z K. Application of computer vision technology in the determination of intramuscular fat content of pig eye muscle. Swine Industry Science, 2006, 23(2): 24-25. (in Chinese)

[15] 陈志伟, 杨华威. B超在种猪生产性能测定中的应用. 湖北畜牧兽医, 2013, 34(12): 46-48.

CHEN Z W, YANG H W. Application of B-ultrasound in the determination of production performance of breeding pigs. Hubei Journal of Animal and Veterinary Sciences, 2013, 34(12): 46-48. (in Chinese)

[16] 中华人民共和国农业部. 种猪生产性能测定规程: NY/T 822— 2004[S]. 北京: 中国农业出版社, 2004.

Ministry of Agriculture of the People’s Republic of China. Rules for performance testing of breeding pig: NY/T 822—2004[S]. Beijing: China Agriculture Press, 2004. (in Chinese)

[17] 中华人民共和国农业部. 瘦肉型猪胴体性状测定技术规范: NY/T 825—2004[S]. 北京: 中国农业出版社, 2004.

Ministry of Agriculture of the People’s Republic of China. Technical regulation for testing of carcass traits in lean-type pig: NY/T 825—2004[S]. Beijing: China Agriculture Press, 2004. (in Chinese)

[18] 韩启春. 益生菌发酵饲料对育肥猪生长性能和肉品质的影响[D]. 杨凌: 西北农林科技大学, 2018.

HAN Q C. Effects of probiotics fermented feed on growth performance,carcasstraits and meat quality in finishing-pig[D]. Yangling: Northwest A & F University, 2018. (in Chinese)

[19] FONT I FURNOLS M, GISPERT M. Comparison of different devices for predicting the lean meat percentage of pig carcasses. Meat Science, 2009, 83(3): 443-446.

[20] ROMVÁRI R, DOBROWOLSKI A, REPA I, ALLEN P, OLSEN E, SZABÓ A, HORN P. Development of a computed tomographic calibration method for the determination of lean meat content in pig carcasses. Acta Veterinaria Hungarica, 2006, 54(1): 1-10.

[21] CARABÚS A, GISPERT M, BRUN A, RODRÍGUEZ P, FONT- I-FURNOLS M.computed tomography evaluation of the composition of the carcass and main cuts of growing pigs of three commercial crossbreeds. Livestock Science, 2014, 170: 181-192.

[22] 刘敬顺, 包杰, 张豪. 猪的活体超声波评估技术与方法. 当代畜禽养殖业, 2003(10): 2-7, 12.

LIU J S, BAO J, ZHANG H. Ultrasonic evaluation technology and method of pigs. Modern Animal Husbandry, 2003(10): 2-7, 12. (in Chinese)

[23] 吴珍芳, 陈文广. 猪胴体和肉质性状遗传力及其遗传相关. 华北农学报, 2000, 15(S1): 46-50.

WU Z F, CHEN W G. Heritabilities and genetic correlations of pig carcassand meat quality traits. Acta Agriculturae Boreall—Sinica, 2000, 15(S1): 46-50. (in Chinese)

[24] 夏欣, 赵书红, 胡军勇, 刘望宏, 倪德斌. B超测定种猪活体性能影响因素的分析. 中国农业科技导报, 2019, 21(1): 37-42.

XIA X, ZHAO S H, HU J Y, LIU W H, NI D B. Influencing factors of breeding pig living performance detection by B-mode equipment. Journal of Agricultural Science and Technology, 2019, 21(1): 37-42. (in Chinese)

[25] 刘炜, 吴昊旻, 俞湘麟, 王希斌. B超活体测定对种猪瘦肉性状的遗传改良. 上海畜牧兽医通讯, 2010(4): 35-36.

LIU W, WU H M, YU X L, WANG X B. Genetic improvement of lean meat traits in breeding pigs by B-ultrasounddetermination. Shanghai Journal of Animal Husbandry and Veterinary Medicine, 2010(4): 35-36. (in Chinese)

[26] 金访中, 黄瑞华, 王松均, 王先明, 曹小英, 杨茂成, 钱成刚, 占应祥. 长白猪胴体组成与瘦肉率的关系. 南京农业大学学报, 2000, 23(1): 55-57.

JIN F Z, HUANG R H, WANG S J, WANG X M, CAO X Y, YANG M C, QIAN C G, ZHAN Y X. Correlation of carcass lean meat percentage and carcass composition in landrace pig. Journal of Nanjing Agricultural University, 2000, 23(1): 55-57. (in Chinese)

[27] 章新友. 医学图形图像处理. 3版. 北京: 中国中医药出版社, 2018: 120-124.

ZHANG X Y. Medical Graphic Image Processing. 3rd ed. Beijing: China Press of Traditional Chinese Medicine, 2018: 120-124. (in Chinese)

[28] HO H, YU H B, GANGSEI L E, KONGSRO J. A CT-image based pig atlas model and its potential applications in the meat industry. Meat Science, 2019, 148: 1-4.

[29] FONT I FURNOLS M, TERAN M F, GISPERT M. Estimation of lean meat content in pig carcasses using X-ray Computed Tomography and PLS regression. Chemometrics and Intelligent Laboratory Systems, 2009, 98(1): 31-37.

[30] 张华东, 阮陆宁. 偏最小二乘回归在R软件中的实现及其优缺点剖析. 科技广场, 2015(11): 12-17.

ZHANG H D, RUAN L N. Realization and advantages and disadvantages analysis of partial least-squares regression in the R software. Science Mosaic, 2015(11): 12-17. (in Chinese)

[31] 黄业传, 贺稚非, 李洪军, 秦刚, 王庭, 马明辉. 皮下脂肪和肌内脂肪对猪肉风味的作用. 中国农业科学, 2011, 44(10): 2118-2130.

HUANG Y C, HE Z F, LI H J, QIN G, WANG T, MA M H. The flavor contribution of subcutaneous and intramuscular fat to pork. Scientia Agricultura Sinica, 2011, 44(10): 2118-2130. (in Chinese)

[32] 张金霜, 张明武, 曾庆怡, 张豪. 生猪肌内脂肪含量超声预测方案. 广东农业科学, 2012, 39(21): 128-131, 4.

ZHANG J S, ZHANG M W, ZENG Q Y, ZHANG H. Prediction of intramuscular fat in live swine using real-time ultrasound. Guangdong Agricultural Sciences, 2012, 39(21): 128-131, 4. (in Chinese)

[33] NEWCOM D W, BAAS T J, LAMPE J F. Prediction of intramuscular fat percentage in live swine using real-time ultrasound. Journal of Animal Science, 2002, 80(12): 3046-3052.

[34] CLELLAND N, BUNGER L, MCLEAN K A, KNOTT S, MATTHEWS K R, LAMBE N R. Prediction of intramuscular fat content and shear force in Texel lamb loins using combinations of different X-ray computed tomography (CT) scanning techniques. Meat Science, 2018, 140: 78-85.

[35] 侯明俸, 蔡更元, 吴珍芳, 刘德武. B超在猪活体肌内脂肪含量测定中的应用. 畜牧与兽医, 2013, 45(7): 55-57.

HOU M F, CAI G Y, WU Z F, LIU D W. Application of B-ultrasound in the determination of intramuscular fat content in pigs. Animal Husbandry & Veterinary Medicine, 2013, 45(7): 55-57. (in Chinese)

[36] 叶南伟, 李顺, 韦伟, 俞汶赛, 罗武, 刘宏程, 陈杰. B超活体预测二花脸猪肌内脂肪含量技术研究. 畜牧与兽医, 2020, 52(6): 1-4.

YE N W, LI S, WEI W, YU W S, LUO W, LIU H C, CHEN J. The technique of predicting intramuscular fat content in live Erhualian pigs by B-ultrasound. Animal Husbandry & Veterinary Medicine, 2020, 52(6): 1-4. (in Chinese)

Estimation of Lean Percentage, Fat Percentage, and Intramuscular Fat Content of Boars by Computed Tomography

Laboratory of Animal Fat Deposition and Muscle Development/College of Animal Science and Technology, Northwest A&F University, Yangling 712100, Shaanxi

【Objective】 The aim of this study was to investigate the accuracy of computed tomography (CT) technology in theestimation of carcass and meat quality traits in boars, so as to achieve intelligent measurements of the phenome, and thus provide technical parameters for selection and feeding management of boars. 【Method】 In the present study, 40 Duroc boars of similar weight ((42.02±1.05) kg) and in good health were selected and starved for 24 h. After that, general anaesthesia was administered by intravenous injection of anaesthetic at the ear margins.The boars were placed on the CT scanning bed in the prone position of the head, front and tail, and the original image sequences were obtained by 16-slice spiral CT scanning. The images were then subjected to thin layer reconstruction with denoising, multi-planar reconstruction, and segmentation by image processing techniques in order to quantitatively analyze the images, and combined with B-ultrasoundmeasurement and slaughter measurement to evaluate the carcass traits of boars, such as carcass composition, backfat thickness, eye muscle depth, eye muscle area, carcass straight length, and carcass sloping length. A prediction model for carcass leanness of breeding boars was constructed using partial least squares regression analysis with slaughter-measured leanness as the dependent variable and CT-measured backfat thickness, eye muscle depth, eye muscle area, carcass straight length, and carcass sloping length as the independent variables. The Soxhlet extraction method was used to determine the content of intramuscular fat (IMF) in the longissimus thoracis, gluteal medius, and semimembranosussamples, and then the correlation analysis was performed with the intramuscular fat content in the corresponding parts of the CTassessment.【Result】When analyzing the correlation between CTevaluation and slaughter determination of lean percentage, fat percentage, bone percentage, and skin percentage, it was found that the correlation coefficient () between the two parameters was above 0.85, showing a strong correlation (＜0.01); subsequently, after a one-variable linear regression analysis, the coefficient of determination (2) was 0.832, 0.820, 0.800, and 0.740, respectively. In addition, there was no significant difference (＞0.05) between CT and slaughter measurements of backfat thickness, eye muscle depth, carcass straight length, and carcass sloping length. When measuring backfat thickness at the thoracolumbar junction (P2 point), the difference between B-ultrasound and slaughter measurements was significant (＜0.05), while the difference between CTassessment and slaughter measurements was not significant (＞0.05).In a regression model using partial least squares to predict the carcass lean percentage of boars, the root mean square error of prediction (RMSEP) and2were 0.1472 and 0.934, respectively. Furthermore, the content of intramuscular fat was measured by CT, and CT estimation and slaughter measurements of the longissimus thoracis, gluteus medius, and semimembranosus were strongly correlated (＜0.01), with correlation coefficients () of 0.837, 0.815, and 0.786, respectively.One-variable linear regression analysis revealed a highly significant positive linear correlation (＜0.01) betweenCT assessment and post-slaughter measured intramuscular fat content.【Conclusion】CT technology allowed accuratedetermination of carcass traits, such as lean percentage, fat percentage, bone percentage, backfat thickness, and eye muscle depth, as well as intramuscular fat content of meat quality indicators, which provided a technical support for the continuous improvement of breeding performance and thus more accurate selection of relevant traits.

computed tomography; boars;estimation; carcass traits; meat quality traits

2021-05-21；

2023-03-16

国家重点研发计划（2021YFF1000602，2017YFD0502002）、陕西省重点研发计划（2022ZDLNY01-04，2018ZDXL-NY-02-03）

任志强，E-mail：rzq0220@gmail.com。通信作者庞卫军，E-mail：pwj1226@nwsuaf.edu.cn

10.3864/j.issn.0578-1752.2023.09.014

（责任编辑 林鉴非）