Digital image analysis as a tool for phenotyping in Nile tilapia selective breeding

Análise de imagens digitais como ferramenta para fenotipagem no melhoramento genético de tilápia do Nilo

dc.contributorLopes, Paulo Sávio
dc.contributorhttp://lattes.cnpq.br/7042197281935505
dc.contributorOliveira, Carlos Antonio Lopes de
dc.contributorFelix, Leonardo Bonato
dc.creatorCardoso, Alex Júnio da Silva
dc.date2022-07-27T18:50:18Z
dc.date2022-07-27T18:50:18Z
dc.date2022-04-18
dc.date.accessioned2023-09-27T21:53:13Z
dc.date.available2023-09-27T21:53:13Z
dc.identifierCARDOSO, Alex Júnio da Silva. Digital image analysis as a tool for phenotyping in Nile tilapia selective breeding. 2022. 78 f. Tese (Doutorado em Zootecnia) - Universidade Federal de Viçosa, Viçosa. 2022.
dc.identifierhttps://locus.ufv.br//handle/123456789/29441
dc.identifierhttps://doi.org/10.47328/ufvbbt.2022.338
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8967607
dc.descriptionPhenotyping is an important step for successful animal selective breeding. Computer vision systems, such as digital image analysis, paired with machine learning (e.g., artificial neural networks, ANN), have the potential to be used in precision aquaculture and genetic improvement programs. Digital image analyses are suitable for determining morphometric traits (e.g., length, height, and width) and traits difficult to measure using traditional techniques, such as body areas, while reducing animal handling. Furthermore, images can provide explanatory variables for posterior prediction of growth, carcass, and fillet traits through ANN models. Therefore, we aimed to (i) develop a fast and straightforward method to measure the length, height, and body areas of Nile tilapia using digital image analysis, (ii) estimate genetic parameters for these traits, and (iii) apply image traits in machine learning algorithms to predict body weight (BW), carcass weight (CW), fillet weight (FW), and fillet yield (FY). The fish used in the study belonged to the 10th and 11th generation of the Nile tilapia breeding program (TILAMAX strain) of the Universidade Estadual de Maringá. In the first study, 656 fish (366 days old at harvest, BW of 414 ± 98 g) were photographed and subjected to image analysis to measure the trunk area (TA), head area (HA), caudal fin area (CFA), and fillet area (FA). Heritability estimates (h 2 ) for BW, TA, HA, CFA, and FA were 0.25, 0.23, 0.26, 0.21, and 0.25, respectively. Genetic correlations between the traits were positive and high, ranging from 0.70 to 0.98. We highlight the genetic correlation between BW and TA (r G = 0.98) and FA (r G = 0.97). Given the observed results, it can be concluded that selecting for body areas obtained by digital image analysis can lead to indirect genetic gains in weight and other areas. However, genetic correlations of these body areas with fillet weight and fillet yield were unknown. For the second study, 1,161 fish (427 days old at harvest, BW of 1,093 ± 346 g) were photographed. Body lengths (3 sections), heights (5 sections), TA, HA, FA, and total area (TOT) were measured from the coordinate values (x and y values in the center of each pixel) of 20 pre-set landmarks on the surface of fish images using the free R software. The proposed method allowed to measure 12 traits in 46 s. The h 2 for lengths and heights were moderate to high, ranging from 0.22 to 0.37. The h 2 values for TA, HA, FA, and TOT were 0.26, 0.35, 0.25, and 0.27, respectively. Positive and moderate to high genetic correlations were observed between morphometric traits and BW (0.66 to 0.98), FW (0.50 to 0.91), and CW (0.77 to 0.98). We highlight the genetic correlation of TA with BW (r G = 0.98), FW (r G = 0.91), and CW (r G = 0.96). The TA/TOT ratio showed a positive and moderate genetic correlation (0.54) with FY. We investigated five supervised machine learning methods for predicting BW, CW, FW, and FY using image traits: multiple linear regression, feed-forward artificial neural network, deep learning, Bayesian regularization for feed-forward neural networks, and random forests. To verify the effectiveness of prediction methods, we used a 10-fold cross-validation procedure with 5 replicates, and the folds were randomly split to provide the training (n = 1045) and validation (n = 116) datasets. Pearson’s correlation coefficient (r), mean absolute error (MAE), and root mean square error (RMSE) between predicted and observed values were calculated. In general, the Bayesian regularization model showed better performance and accuracy in predicting BW (r = 0.99, MAE = 39.54, RMSE = 54.70), CW (r = 0.98, MAE = 27.82, RMSE = 40.03), and FW (r = 0.96, MAE = 23.26, RMSE = 33.42). For FY prediction, all evaluated models had low performance and accuracy (r = 0.29, MAE = 1.55, RMSE = 2.24). The findings demonstrate that digital image analysis is a promising tool for measuring morphometric traits in Nile tilapia, given its non-invasive nature, fast operation, and low cost. Additionally, it was found that body areas can be used as selection criteria, particularly in future studies on body shape changes, with positively correlated responses to FW and positive, albeit lower, correlations with FY. Finally, the Bayesian regularization for the feed-forward neural network method showed the best performance in predicting BW, CW, and FW in Nile tilapia from image traits as predictor variables. Keywords: Morphometric traits. Computer vision. Genetic parameters. Irregular polygons. Artificial neural networks.
dc.descriptionA fenotipagem é uma etapa importante para o sucesso do melhoramento genético animal. Os sistemas de visão computacional, como a análise de imagens digitais, juntamente com o aprendizado de máquina (por exemplo, redes neurais artificiais, RNA), têm potencial para serem utilizados na aquicultura de precisão e em programas de melhoramento genético. As análises de imagens digitais são adequadas para determinar características morfométricas (por exemplo, comprimento, altura e largura), e também características difíceis de mensurar por meio de técnicas tradicionais, como as áreas corporais, reduzindo o manuseio dos animais. Além disso, as imagens podem fornecer variáveis explicativas para posterior predição de características de crescimento, carcaça e filé, por meio de modelos de RNA. Portanto, objetivamos (i) desenvolver um método rápido e descomplicado para medir o comprimento, a altura e as áreas corporais de tilápias do Nilo utilizando análise de imagens digitais, (ii) estimar parâmetros genéticos para essas características e (iii) aplicar as características obtidas por imagem em algoritmos de aprendizado de máquina para predizer o peso corporal (BW), peso da carcaça (CW), peso do filé (FW) e rendimento do filé (FY). Os peixes utilizados no estudo pertenciam à 10a e 11a geração do programa de melhoramento genético de tilápia do Nilo (linhagem TILAMAX) da Universidade Estadual de Maringá. No primeiro estudo, 656 peixes (366 dias de idade na despesca, BW de 414 ± 98 g) foram fotografados e submetidos à análise de imagens para mensuração da área do tronco (TA), área da cabeça (HA), área da nadadeira caudal (CFA) e área do filé (FA). As estimativas de herdabilidade (h 2 ) para BW, TA, HA, CFA e FA foram 0,25, 0,23, 0,26, 0,21 e 0,25, respectivamente. As correlações genéticas entre as características foram positivas e altas, variando de 0,70 a 0,98. Destacamos a correlação genética entre BW e TA (r G = 0,98) e FA (r G = 0,97). Diante dos resultados observados, pode- se concluir que a seleção para áreas corporais obtidas por análise de imagens digitais pode levar a ganhos genéticos indiretos no peso e em outras áreas. No entanto, as correlações genéticas dessas áreas corporais com o peso do filé e o rendimento do filé eram desconhecidas. Para o segundo estudo, 1.161 peixes (427 dias de idade na despesca, BW de 1.093 ± 346 g) foram fotografados. Os comprimentos (3 seções), alturas (5 seções), TA, HA, FA e área total (TOT) foram medidos a partir dos valores das coordenadas (valores x e y no centro de cada pixel) de 20 pontos de referência pré-definidos nas imagens, utilizando o software livre R. O método proposto permitiu medir 12 características em 46 s. As h 2 para os comprimentos e as alturas foram de moderadas a altas, variando de 0,22 a 0,37. Os valores de h 2 para TA, HA, FA e TOT foram 0,26, 0,35, 0,25 e 0,27, respectivamente. Correlações genéticas positivas e moderadas a altas foram observadas entre as características morfométricas e BW (0,66 a 0,98), FW (0,50 a 0,91) e CW (0,77 a 0,98). Destacamos a correlação genética da TA com BW (rG = 0,98), FW (rG = 0,91) e CW (rG = 0,96). A relação TA/TOT apresentou correlação genética positiva e moderada (0,54) com FY. Investigamos cinco métodos supervisionados de aprendizado de máquina para predição do BW, CW, FW e FY utilizando características de imagem: regressão linear múltipla, rede neural artificial feed-forward, aprendizado profundo, regularização Bayesiana para redes neurais feed-forward e florestas aleatórias. Para verificar a eficácia dos métodos de predição, utilizamos um procedimento de validação cruzada de 10-folds com 5 repetições, e os folds foram separados aleatoriamente para fornecer os conjuntos de dados de treinamento (n = 1045) e validação (n = 116). O coeficiente de correlação de Pearson (r), erro absoluto médio (MAE) e erro quadrático médio (RMSE) entre os valores previstos e observados foram calculados. Em geral, o modelo de regularização Bayesiana apresentou melhor desempenho e acurácia na predição de BW (r = 0,99, MAE = 39,54, RMSE = 54,70), CW (r = 0,98, MAE = 27,82, RMSE = 40,03) e FW (r = 0,96, MAE = 23,26, RMSE = 33,42). Para a predição de FY, todos os modelos avaliados apresentaram baixo desempenho e acurácia (r = 0,29, MAE = 1,55, RMSE = 2,24). Os resultados observados evidenciam que a análise de imagens digitais é uma ferramenta promissora para medir características morfométricas em tilápias do Nilo, dada a sua natureza não invasiva, rápida e de baixo custo. Além disso, verificou-se que as áreas corporais podem ser utilizadas como critérios de seleção, principalmente em estudos futuros sobre mudanças na forma corporal, e também, apresentam respostas correlacionadas positivas com o FW, bem como correlações positivas, embora menores, com o FY. Por fim, a regularização Bayesiana para o método de rede neural feed- forward apresentou o melhor desempenho na predição de BW, CW e FW em tilápias do Nilo utilizando características mensuradas por imagem como variáveis preditoras. Palavras-chave: Características morfométricas. Visão computacional. Parâmetros genéticos. Polígonos irregulares. Redes neurais artificiais.
dc.descriptionConselho Nacional de Desenvolvimento Científico e Tecnológico
dc.formatapplication/pdf
dc.languageeng
dc.publisherUniversidade Federal de Viçosa
dc.publisherZootecnia
dc.rightsAcesso Aberto
dc.subjectTilápia (Peixe) - Melhoramento genético
dc.subjectImagens digitais - Análise
dc.subjectRedes Neurais (computação)
dc.subjectMorfometria
dc.subjectGenética e Melhoramento dos Animais Domésticos
dc.titleDigital image analysis as a tool for phenotyping in Nile tilapia selective breeding
dc.titleAnálise de imagens digitais como ferramenta para fenotipagem no melhoramento genético de tilápia do Nilo
dc.typeTese


Este ítem pertenece a la siguiente institución