Microstructures of Foods & Tablets

Microstructures of Food & Tablets

Projectleider: prof.dr.ir. L.J. van Vliet

Project team: ir. C.L. Luengo Hendriks, prof.dr.ir. L.J. van Vliet, dr. P.W. Verbeek

Quantitative Imaging Group
Laboratory of Applied Physics
Faculty of Applied Sciences
Delft University of Technology
Lorentzweg 1, 2628 CJ Delft
The Netherlands

Dit project wordt gefinancierd door: Het ministerie van Economische Zaken in het kader van het Inovatiegerichte Onderzoeksprogramma (IOP) beeldverwerking.
IOP beeldverwerking is ondergebracht bij Senter.

Inhoudsopgave

Samenvatting
Projectbeschrijving
Uitvoeringsplan
Data modaliteiten

Samenvatting

Achtergrond

• nieuwe producten (zeer vetarme margarines; < 5% vet)
• vervangende ingrediënten (laag-calorische biopolymeren in plaats van vetten)
• betere of goedkopere productiemethoden

met de door de consument gewenste macroscopische eigenschappen.

Doelstelling
Het doel van dit project is het ontwikkelen van meettechnieken gebaseerd op digitale beeldbewerking voor de kwantitatieve beschrijving van complexe driedimensionale structuren. De aanpak zal dusdanig generiek zijn dat een grote verscheidenheid aan structuren hiermee gekarakteriseerd kan worden en tevens specifiek genoeg om waardevol te zijn in de levensmiddelenindustrie.

Projectbeschrijving

Probleemstelling
Voedingsmiddelen zijn complexe systemen opgebouwd uit een beperkt aantal componenten. De meest voorkomende componenten zijn: water, vetten, eiwitten, koolhydraten en lucht. De fysische status en moleculaire eigenschappen van deze componenten in relatie met productieprocessen bepalen in hoge mate de driedimensionale microstructuur en daarmee de eigenschappen van de eindproducten. Waarneming van de microstructuur met behulp van geavanceerde microscopische technieken levert beelden die een grote informatieïnhoud hebben. Deze informatie dient te worden omgezet in  fysisch interpreteerbare parameters die vervolgens gebruikt kunnen worden om interacties tussen componenten te kunnen begrijpen en te kunnen vertalen naar producteigenschappen.

Industriele Relevantie

• Verlaging van het vetgehalte van producten
• Toepassing van vetten die, bewezen, gezonder zijn
• Vervanging van vet door andere laag-calorische ingrediënten
• Gebruik maken van zoveel mogelijk "groene" ingrediënten
• Verbetering van bereidingsgemak (tijd- en energiereductie)
• Verbetering van de houdbaarheid van producten
• Verlaging van productie- en ingrediëntenkosten

Wijziging van de samenstelling van producten is in veel gevallen van invloed op de microstructuur en daarmee op de  producteigenschappen zoals smeerbaarheid en tactiele smaakbeleving. Bij vervanging van ingrediënten wordt ernaar gestreefd de vervangers vergelijkbare of betere struktuurvormende eigenschappen mee te geven. Deze eigenschappen zijn gelegen in de vorming van complexe netwerken om stevigheid aan producten te geven. Driedimensionale beeldanalyse van deze structuren speelt hierbij zowel een ondersteunde als een richtinggevende rol.

Enkele voorbeelden:

• Ontwikkelen en toepassen van "gezondere" vetmengsels die toch voldoende structurerende eigenschappen hebben.
• Vervangen van vetkristallen door laag-calorische vetsystemen die water en lucht bevattende producten kunnen stabiliseren.
• Structureren van weinig vethoudende systemen met netwerken van macromoleculen en biopolymeren gebaseerd op eiwitten en koolhydraten of andere laag-calorische vetachtige moleculen.
• Ontwikkelen van emulgeersystemen en waterverdikkingsmiddelen die een drastische verlaging van het vetgehalte in op vet gebaseerde systemen mogelijk maakt.
• Toepassen van additieven in gebakken producten, met name brood en voorgerezen deeg, waardoor de product kwaliteit wordt verhoogd en de houdbaarheid wordt verlengd.
• Toepassen van optimale struktureringscomponenten die maximaal structurerend werken bij minimale concentraties.

In alle gevallen speelt een kwantitatieve beschrijving van de bestaande en de te ontwikkelen productstructuur op microscopische schaal een cruciale rol. Pilot studies door Unilever hebben aangetoond dat er visuele structuur-verschillen zitten in de microscopische beelden van gewenste en ongewenste producten. Met behulp van geavanceerde microscopische technieken kunnen datasets met driedimensionale informatie worden verkregen. Deze grote datasets dienen vervolgens zo te worden bewerkt, dat relevante 3-D informatie ter beschikking komt, waardoor enerzijds de opbouw en eigenschappen van producten kunnen worden begrepen en gekarakteriseerd en anderzijds nieuwe productieprocessen kunnen worden ontwikkeld.

Literatuur

1. I. Heertje, Vetloze voedingsmiddelen, Natuur & Techniek 65(2), p. 33-40, 1997.
2. zie bijlage 1B: relevante publicaties Unilever Research laboratorium Vlaardingen.

Uitvoeringsplan

Objecten vs texturen
In de moderne beeldanalyse wordt ten behoeve van segmentatie (het opdelen van de beeldruimte in relevante gebieden) en meten onderscheid gemaakt tussen methoden geschikt voor beelden met objecten en beelden met texturen. De complexe driedimensionale structuren zoals waarneembaar in microscopische opnamen van levenmiddelen bevinden zich op het grensgebied van deze tweedeling: een complexe rangschikking van duidbare anisotrope objecten. Deze klasse noemen we "structuren" en verdient speciale aandacht. De "generieke" structuurmaten zullen algemeen toepasbaar zijn en worden zonodig omgezet in "specifieke" structuurmaten ten behoeve van de karakterisatie van de verschillende levensmiddelen. De structuurkarakterisatiemethoden zijn onder te brengen in twee groepen. De eerste groep werkt op gesegmenteerde beelden waarin de "dragende" elementen van de structuur (het netwerk of de matrix) geïdentificeerd zijn. Aan de gesegmenteerde structuur worden nu metingen verricht. De tweede groep vereist geen segmentatie en werkt direct op grijswaarde beelden: de "segmentatie-vrije" structuurmetingen De grijswaarde per beeldelement correspondeert direkt met een gemeten fysische grootheid zoals intensiteit, molecuulconcentratie of dichtheid.

Structuursegmentatie: structuren vs. texturen
De overeenkomst tussen texturen en structuren is dat beide niet op pixel-nivo, maar pas op domein-nivo geïdentificeerd kunnen worden. De structuren zijn hier direkt gerelateerd aan de "fysische architectuur" die is opgebouwd uit duidbare anisotrope delen. Texturen zijn veelal opgebouwd uit kleine textuur gebiedjes "textons" genaamd die geen duidbare delen bevatten. Dit vereist aandacht bij zowel de segmentatie als de analyse van structuren. Bij segmentatie zal gebruik worden gemaakt van de oriëntatie-tensor en een verbeterde Mallat wavelet transformatie in 3-D. De oriëntatie-tensor verkrijgt zijn domein informatie door aan de schaalparameter (Gaussische afgeleiden) tevens een tweede maat als correlatielengte toe te voegen.

Oriëntatie tensor: lokale dimensionaliteit en anisotropie
In tweedimensionale beelden zijn objecten en structuren opgebouwd uit ééndimensionale kenmerken: randen en lijnen. De lokale dimensionaliteit is hier gelijk aan de beelddimensionaliteit minus een genormaliseerde anisotropiemaat (2-anisotropie). De anisotropie is groot (ongeveer 1) voor rechte lijnen en randen en is klein (ongeveer nul) voor isotrope structuren. De aanwezigheid van meerdere lineaire structuren binnen één omgeving (hoeken, T-splitsingen) verlagen eveneens de lokale anisotropie. Deze kenmerken kunnen robuust gedetecteerd en gemeten worden met behulp van de oriëntatie-transformatie. Deze transformatie ontbindt het ingangsbeeld in oriëntatieafhankelijke patronen. In driedimensionale beelden zijn de objecten en structuren opgebouwd uit één- én tweedimensionale kenmerken. Lijnen en ruimtekrommen zijn ééndimensionaal, vlakken en randen zijn tweedimensionaal. De oriëntatie tensor beschrijft de lokale dimensionaliteit (ellipsoïde in 3-D ruimte) en de bijbehorende 3-D oriëntatie.

Wavelet transformatie: schaal en singulariteit
De singulariteiten in 2-D beelden vormen veelal lineaire structuren zoals randen en lijnen. Deze hebben een bepaalde maat die we hun schaal noemen. Met behulp van een aangepaste Mallat wavelet bouwen we een logaritmisch bemonsterde schaalruimte op waaruit het contrast, de maat en het type singulariteit (rand of lijn) geschat worden. Deze methode moet worden uitgebreid naar drie dimensies waarbij de eigenschappen van respectievelijk 2-D randen en lijnen worden overgenomen door 3-D randen en vlakken. Nieuw in het herkenningsmodel is nu het schaal gedrag voor ruimtekrommen. Een hiërarchische beeldopbouw is hiervan het resultaat. Deze wavelet transformatie zal alleen langs objectgrenzen waaruit de structuur is opgebouwd in de tensor-oriëntatie worden uitgevoerd.

Structuuranalyse
Structuuranalyse richt zich evenals textuuranalyse op domein-eigenschappen. Toch zullen de traditionele textuurmaten door hun veelal statistische grondslag geen nuttige bijdrage leveren aan de structuur-karakterisatie. Alleen wanneer textuurmethoden in staat zijn om kennis omtrent de te verwachte structuren optimaal te benutten kunnen ze relevante informatie opleveren.

Structuurmaten

• matrix type: vlak- of naaldachtigheid (lokale dimensionaliteit)
• matrixbreedte en/of dikte van vlakken en naalden (schaal)
• oneffenheid van de vlakken (stappen in polymeerlagen)
• grootteverdeling van "kamers" (volumeverdeling)
• continuïteit van de matrix (lokaal Euler getal)
• continuïteit van de waterfase (lokaal Euler getal, oplossing eikonaal vergelijking)
• matrixorthogonaliteit (hoekigheid van de matrixverbindingen)
• grootteverdeling en volumefractie van vulmiddel zoals zetmeel

Globale maten voor continuïteit (van zowel de matrix als de waterfase) gebaseerd op de grijswaarde-gewogen afstandstransformatie (oplossing eikonaalvergelijking) zullen niet zondermeer toegepast kunnen worden. Een enkele sporadische verstoring (b.v. een verstopping) beïnvloedt de gemeten globale continuïteit, maar heeft geen invloed op de macroscopische eigenschappen van het product.

Segmentatie-vrije structuuranalyse In analogie met de grijswaardemetingen aan objecten kunnen ook vele lokale structuurmaten van de bovengenoemde lijst zonder explicite segmentatie ontwikkeld worden. Te denken valt aan vormbeschrijvingen ten behoeve van topologie en buigingsenergie. In tegenstelling tot de verzameling gesloten objecten zullen de opgenomen beelden alleen stukken van de matrix bevatten. De structuurmaten dienen relevante informatie binnen willekeurige omgevingen te produceren.

Data modaliteiten

In dit project zal Unilever de toeleverancier zijn van relevante driedimensionale datasets van verschillende opnamemodaliteiten. De bij dit onderzoek benodigde monsters - van verschillende samenstelling en/of productiemethode ter evaluatie van de ontwikkelde meettechnieken - zullen eveneens door Unilever verstrekt worden.

Restauratie 3-D confocale data met structuurbehoud
Een belangrijke bron van data is de confocale fluorescentiemicroscope. De ruwe data is echter niet direct geschikt voor bewerking en analyse. De laterale resolutie (scheidend vermogen in een 2-D beeldvlak loodrecht op de optische as) in confocale fluorescentiemicroscopie is ruim drie keer beter dan de axiale resolutie. De juiste afstemming van lenzen en brekingsindices voorkomt dat andere abberaties de beeldkwaliteit onnodig verslechteren. Beeldrestauratie zal worden aangewend om de axiale resolutie te verbeteren. De verbeterde iteratieve restauratiealgorithmen zullen geoptimaliseerd worden voor behoud van structuurinformatie.

Visualisatie
Voor de visualisatie van (on)bewerkte driedimensionale datasets en verkregen structuren zal gebruik worden gemaakt van AVS Express.

Data interpretatie
Unilever zal experts ter beschikking stellen voor de interpretatie van de verkregen datasets en voor de fysisch chemische karakterisering van de producten. Samen met deze experts zullen de uitvoerders van het project de verkregen kantitatieve structuurinformatie correleren aan essentiële functionële producteigenschappen.

Confocale fluorescentiemicroscopie
De verschillende componenten kunnen chemisch gekleurd worden met verschillende fluorescerende probes waardoor de concentraties als functie van de 3-D positie gemeten kan worden. Dunne laagjes van voedingsmiddelen zijn doorgaans transparant genoeg voor 3-D confocale fluorescentie-microscopie. Deze datasets spelen een belangrijke rol binnen dit onderzoek. De grootte van de 3-D datasets zijn tenminste 512 x 512 x 256 = 64 Mpixels.

Reconstructie van kantelseries in electronenmicroscopie
Kantelseries in transmissie- en raster-electronenmicroscopie bieden de mogelijkheid om driedimensionale informatie te verkrijgen met een resolutie ver beneden de resolutie van optische lichtmicroscopie. Conform de voorwaarden van de Programmacommissie IOP beeldverwerking in haar brief van 28 oktober 1997 zal de noodzakelijke reconstructie van hoogte beelden (2.5 dimensionale beelden) en/of driedimensionale datasets uit deze kantelseries buiten de IOP financiering om door Unilever worden verricht.

Literatuur

1. S. Mallat and Zhong, Characterization of signals from multiscale edges, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 14, no. 7, 1992, 710-732.
2. L.J. van Vliet, Grey-Scale Measurements in Multi-Dimensional Digitized Images, Delft University Press, 1993.
3. L.J. van Vliet and P.W. Verbeek, "Estimators for orientation and anisotropy in digitized images", Proc. 1st Conference of the Advanced School for Computing and Imaging, pp. 442-450, 1995.
4. G.M.P. van Kempen, L.J. van Vliet, P.J. Verveer, HTM van der Voort, A quantitative comparison of image restoration methods for confocal microscopy, Journal of Microscopy, vol 185(3), 354-365, 1997.
5. M. van Ginkel, P.W. Verbeek, and L.J. van Vliet, Improved Orientation Selectivity for Orientation Estimation, Proc. 10th Scandinavian Conference on Image Analysis (Lappeenranta, Finland), 533-537, 1997.
6. M. van Ginkel, P.W. Verbeek, L.J. van Vliet, Multi-orientation estimation: Selectivity and localization, Proc. 3rd Conference of the Advanced School for Computing and Imaging, 99-105, 1997.
7. J-B. Martens, Local orientation analysis in images by means of the Hermite transform, IEEE Trans. on Image Processing, vol. 6(8), 1997.