Estimation of carcass composition and cut composition from computed tomography images of live growing pigs of different genotypes

Le but des présents travaux était : 1) d'étudier la relation entre les images de coupe transversale obtenues à l’aide de la tomographie par ordinateur chez les porcs vivants en croissance de génotypes différents et des mesures par dissection; 2) d’estimer la composition des carcasses et la composition des coupes à partir de mesures obtenues grâce à la tomographie par ordinateur. Soixante jeunes truies de trois génotypes (Duroc × (Landrace × Large White), Piétrain × (Landrace × Large White) et Landrace × Large White) ont fait l’objet de mesures à l’aide de la tomographie par ordinateur et ont été abattues à 30 kg (n=15), à 70 kg (n=15), à 100 kg (n=12) ou à 120 kg (n=18). Les carcasses ont été découpées, et les quatre coupes principales ont été disséquées. La distribution des volumes de densité sur l'échelle de Hounsfield (HU) a été établie à partir des images obtenues grâce à la tomographie par ordinateur et classées en fonction du gras (HU entre −149 et −1), des muscles (HU entre 0 et 140) ou des os (HU entre 141 et 1400). En outre, les mesures physiques ont été faites à partir d’une image de la longe et d’une image du jambon. Quatre approches de régression différentes ont été étudiées pour prévoir la composition de la carcasse et des coupes : régression linéaire; régression quadratique et équations allométriques utilisant le volume comme variable explicative; régression linéaire utilisant les volumes et des mesures physiques comme variables explicatives. Les résultats révèlent que les mesures des sujets entiers in vivo obtenues grâce à la tomographie par ordinateur permettent une estimation précise de la composition des carcasses et des coupes. L'exactitude des prévisions variait selon le génotype, le poids vif et les variables à prédire. En général, les modèles allométriques et les modèles linéaires, qui comprenaient également des mesures physiques de la longe et du jambon, donnent les erreurs de prévision les plus faibles.