JP2019105502A - 学習モデル製造方法、汚染密度算出方法および汚染密度算出装置 - Google Patents

Abstract

【課題】汚染密度を推定する学習モデルの製造効率と汚染密度の推定精度とを両立させた学習モデル製造方法、汚染密度算出方法および汚染密度算出装置を提供する。【解決手段】学習モデル製造方法は、解析対象範囲に含まれる全座標位置から選択される少なくとも１箇所の座標位置の汚染確率を設定するステップと、解析対象範囲内部の座標位置に対して汚染確率および汚染源を推定する範囲の位置情報を表す評価エリアに対して当該座標位置からの線量寄与度を算出するステップと、汚染確率および線量寄与度のうち少なくとも線量寄与度が、設定した条件を満たすか否かに応じて学習モデル製造の要否を判定するステップと、当該座標位置の空間線量に対応する汚染源の位置および強度を当該座標位置の空間線量と関連付けたデータを学習モデルとして取得するステップとを備える。【選択図】 図２

Description

本発明の実施形態は、学習モデル製造方法、汚染密度算出方法および汚染密度算出装置に関する。

放射性物質を取り扱う施設から放射性物質が漏洩するなどして放射能汚染が生じた場合、汚染密度の評価を実施して漏洩等した放射性物質を管理するとともに、必要に応じて立入制限、遮蔽および除染等の作業員の被ばく低減の対策を採る。

しかしながら、汚染範囲が広い場合、除染等の作業を行うこと自体が、作業員の被ばくを増加させる原因となる。そこで、適切に評価された表面汚染密度分布に基づき作業計画を立案することにより、除染等の作業を効率化し、作業員の被ばくを最小限に抑える必要がある。

表面汚染密度分布は、ＧＭ管検出器等といった放射線検査装置を、管理エリアの表面に走査させながら、放射線の測定をして算出するのが一般的である。しかし、この管理エリアの全域に、検査装置を走査するのには時間がかかるため、比較的容易に測定することができる空間線量率に基づいて表面汚染密度分布を算出する技術が提案されている。

例えば、高さの異なる位置で測定した空間線量率のデータ変化と、汚染源（放射線源）の形状を仮定することであらかじめ計算することが可能な関数と、を用いて表面汚染密度を推定する技術が知られている。この技術によれば、あらかじめ算出された数式に、測定した線量データを入力するのみであるため、非常に簡単に表面汚染密度を推定することができる。

特開２０１５−００１５００号公報

しかしながら、上述の技術では、線源から直接入射される放射線のみならず、壁や天井等の構造物を媒介して散乱もしくは透過した放射線の影響を受けた空間線量率が実測データとして計測されるため、線源から直接入射される放射線以外の放射線の影響を考慮しない場合、要求精度を満足する表面汚染密度分布を得るための回帰式（応答関数）が得られないという課題があった。

一方、線源から直接入射される放射線以外の放射線の影響を考慮して応答関数を作成すれば、より高精度な表面汚染密度分布を得ることができるものの、計測場所周辺の構造物情報等を反映させて当該構造物を媒介して散乱もしくは透過した放射線の影響を考慮する必要がある。従って、線源から直接入射される放射線以外の放射線の影響を考慮してより精度の高い応答関数を得ようとする場合、より多くの時間が必要となるという課題があった。

汚染密度算出装置を様々な場所で適用することを考えた場合、計測場所周辺の構造物の位置、材質、大きさ、形状および密度等は、個々の計測場所によって異なるため、十分な精度を有する表面汚染密度分布を得るためには、個々の計測環境に応じた応答関数を作成することが必要となる。

しかしながら、個々の計測環境に応じた応答関数を作成することは、応答関数の作成に過剰な負担を強いて多くの時間を費やすことになるため、表面汚染密度分布の計測効率を著しく低下させてしまい現実的ではないという課題がある。

このように、表面汚染密度分布の計測精度と計測効率とは、二律背反の関係が存在し、より高精度に表面汚染密度分布を得たい場合には、応答関数の作成により多くの時間が必要となる。

他方、汚染密度と空間線量との関係を示す学習データを含む学習モデルを機械学習させることによって、様々な計測場所においても要求精度を満足する応答関数を得る方法も考えられるが、当該方法を採用したとしても、前記二律背反の関係は成立し、前記課題は残存する。

上記学習モデルを機械学習させる方法は、シミュレーション上で空間の様々な場所に汚染密度を設定し、その際に得られる空間線量分布を計算し、汚染密度と空間線量との関係を蓄積した学習データを学習モデルとして製造し、当該学習モデルを機械学習させることにより要求精度を満足する応答関数を得る方法であるが、複雑な汚染パターンに対して推定精度を上げるためには、学習精度を高めること、すなわち評価エリア内の様々な位置に対する汚染密度と空間線量分布とのパターンをシミュレーションする必要がある。

しかしながら、例えば、空間をボクセル構造に区切り、ボクセル毎に汚染密度や空間線量を計算する一般的なシミュレーション方法において、空間を、奥行、幅および高さの各方向に１００分割したボクセル構造に区切って（１００００００ボクセルに分割して）網羅的な汚染パターンを設定する場合、汚染箇所が１ボクセル（単ボクセル汚染）である汚染パターンを仮定しても、学習モデルを製造するために必要となるシミュレーションのパターン数は１００００００パターンと膨大な数になる。

また、より学習精度を高めるためには、汚染箇所が単ボクセルの場合のみならず、複数ボクセルに亘る汚染パターンについても学習させることが好ましいが、複数ボクセルに亘る汚染パターンを学習させる場合、学習モデルを製造するために必要となるシミュレーションのパターン数は、単ボクセル汚染のパターン数から爆発的に増加する。

従前のシミュレーションの一般的な計算速度を考慮した場合、１パターンのシミュレーションに要する計算時間は、少なくても数分程度、多い場合には数時間程度と推定される。当該推定に基づき、１パターンのシミュレーションに要する平均計算時間を１時間（＝１／２４日＝１／８７６０年）とした場合、単ボクセル汚染の汚染パターンであっても計算が完了するまでに１００年以上を要することとなり、網羅的な汚染パターンを設定した学習モデルの製造は現実的でない。

その一方で、現実的に作成可能な時間で学習モデルを製造できるよう、適当なボクセル位置をランダムに選定し、選定したボクセル位置に汚染源を設定してシミュレーションする方法を採用した場合、学習パターンの絶対数が減少し、当該減少に伴って得られる応答関数の精度も低下することが見込まれるため、要求精度を満足する応答関数を得られない可能性が高くなる。

本発明は、上述した事情に鑑みてなされたものであり、精度良く汚染密度を推定（算出）可能な学習データを現実的な時間内で製造可能な、ひいては汚染密度を推定する学習モデルの製造効率と汚染密度の推定精度とを両立させた学習モデル製造方法、汚染密度算出方法および汚染密度算出装置を提供することを目的とする。

本発明の実施形態に係る学習モデル製造方法は、上述した課題を解決するため、三次元空間内に設定される解析対象範囲に含まれる全座標位置から選択される少なくとも１箇所の座標位置の汚染確率を設定するステップと、前記解析対象範囲の内部に設定され、汚染源を推定する範囲の位置情報を表す評価エリア位置情報に基づく評価エリアに対して、前記汚染確率を設定する際に選択される少なくとも１箇所の座標位置からの空間線量に及ぼす影響の程度を表す線量寄与度を算出するステップと、前記汚染確率および前記線量寄与度のうち、少なくとも前記線量寄与度が、設定した条件を満たすか否かを判定した判定結果に応じて、学習モデルを製造する要否を決定する学習モデル製造要否決定ステップと、前記学習モデル製造要否決定ステップで前記学習モデルを製造する旨を決定した場合、当該決定をするにあたり比べた前記汚染確率および前記線量寄与度のうち、少なくとも前記線量寄与度を与える前記汚染源となる核種、前記汚染源の位置、大きさおよび強度を設定した汚染モデルを入力データとしたシミュレーションを実行して前記評価エリアの空間線量分布を出力データとして取得し、取得した出力データを入力データと関連付け、関連付けられた入力データおよび出力データを前記学習モデルとして取得する学習モデル取得ステップとを備えることを特徴とする。

本発明の実施形態に係る汚染密度算出方法は、上述した課題を解決するため、前記学習モデル製造方法によって製造される学習モデルを機械学習させて学習済みモデルを得るステップと、前記学習済みモデルに計測した前記空間線量を入力して前記汚染源の位置および強度を得るステップとを備えることを特徴とする。

本発明の実施形態に係る汚染密度算出装置は、上述した課題を解決するため、三次元空間内に設定される解析対象範囲に含まれる全座標位置から選択される少なくとも１箇所の座標位置に設定する汚染確率および前記解析対象範囲の内部に設定され、汚染源を推定する範囲の位置情報を表す評価エリア位置情報に基づく評価エリアに対して、前記汚染確率を設定する際に選択される少なくとも１箇所の座標位置からの空間線量に及ぼす影響の程度を表す線量寄与度のうち少なくとも前記線量寄与度が、設定した条件を満たすか否かを判定した判定結果に応じて、学習モデルを製造する要否を決定する学習モデル製造要否決定手段と、前記学習モデル製造要否決定手段が前記学習モデルを製造する旨を決定した場合、当該決定をするにあたり比べた前記汚染確率および前記線量寄与度のうち少なくとも前記線量寄与度を与える前記汚染源の位置、大きさおよび強度を設定した汚染モデルを入力データとしたシミュレーションを実行して前記評価エリアの空間線量分布を出力データとして取得し、取得した出力データを入力データと関連付け、関連付けられた入力データおよび出力データを前記学習モデルとして製造する学習モデル製造手段と、前記学習モデル製造手段が製造する前記学習モデルを機械学習させた後の前記学習モデルが導き出す前記空間線量分布と前記汚染源の位置、大きさおよび強度との関係と測定した空間線量分布とを用いて、前記測定した空間線量分布となる汚染源の位置、大きさおよび強度を推定する汚染源推定手段とを具備することを特徴とする。

本発明の実施形態によれば、汚染密度を推定する学習モデルの製造効率と汚染密度の推定精度とを両立させることができる。

実施形態に係る汚染密度算出装置の構成を概略的に示す概略図。 実施形態に係る汚染密度算出方法を適用する解析対象の一例を概略的に示した斜視図。 図２に例示される解析対象を２０×１０×１０のボクセルに分割した場合における当該解析対象の平面への投影図であり、（Ａ）がｘ−ｙ平面への投影図（平面図）、（Ｂ）がｘ−ｚ平面への投影図（正面図）。 実施形態に係る学習モデル製造方法の一例である第１の学習モデル製造処理手順の処理ステップの流れを示す処理フロー図。 図３に対応する投影図であり、（Ａ）および（Ｂ）は、それぞれ、評価エリアからの距離が破線ＢＬ以遠に位置する汚染源の影響を無視する場合における解析対象の平面図および正面図。 図３に対応する投影図であり、（Ａ）および（Ｂ）は、それぞれ、評価エリアからの距離が破線ＢＬ以遠に位置する汚染源の影響を疑似汚染モデルに代替する場合における解析対象の平面図および正面図。 実施形態に係る学習モデル製造方法の一例である第２の学習モデル製造処理手順の処理ステップの流れを示す処理フロー図。 実施形態に係る汚染密度算出方法の一例である汚染密度算出処理手順の処理ステップの流れを示す処理フロー図。

以下、本発明の実施形態に係る学習モデル製造方法、汚染密度算出方法および汚染密度算出装置を添付の図面に基づいて説明する。

（装置構成）
図１は、実施形態に係る汚染密度算出装置の一例である汚染密度算出装置２０の構成を概略的に示す概略図である。

汚染密度算出装置２０は、空間線量と放射線源（汚染源）となる核種、位置、大きさ（範囲）および強度（汚染密度）とを関係付ける回帰式（応答関数）を求め、求めた回帰式と入力される空間線量とを用いて、汚染の原因となる核種、位置、大きさおよび強度を算出する装置である。汚染密度算出装置２０において使用される回帰式は、例えば、実施形態に係る学習モデル製造方法を用いて製造された学習モデルを機械学習させた機械学習済みの学習モデルの応答関数であり、機械学習済みの学習モデルを得ることで求められる。

汚染密度算出装置２０は、例えば、入力手段２１と、出力手段２２と、汚染確率設定手段２３と、線量寄与度算出手段２４と、学習モデル製造要否判定手段２５と、学習モデル製造手段２６と、機械学習手段２７と、汚染源推定手段２８と、疑似汚染モデル設定手段２９と、精度判定手段３１と、記憶手段３２と、制御手段３３とを具備する。

ここで、記憶手段３２の内部に示される構造物情報３５、汚染確率情報３６、線量寄与情報３７、学習モデル３８、学習済みモデル３９および評価用モデル４１は、読み出し（リード）や書き込み（ライト）が可能な記憶領域を提供する記憶手段３２に保持される情報である。

入力手段２１は、例えば、コンピュータとインターフェイスを介して接続される入力装置またはコンピュータ自身が備えるキーボードやマウス等の入力手段によって実現される。入力手段２１は、情報の入力を受け付け、受け付けた情報を制御手段３３に与える。入力手段２１から入力される情報には、例えば、汚染確率設定手段２３等の処理手段に与える実行要求等がある。

出力手段２２は、例えば、コンピュータとインターフェイスを介して接続される表示装置またはコンピュータ自身が備えるディスプレイ等の表示手段、コンピュータとインターフェイスを介して接続されるプリンタ等の印字手段等によって実現される。出力手段２２は、表示要求を受け取ると、当該表示要求に応じた内容を表示する。また、出力手段２２は、印字要求を受け取ると、当該印字要求に応じた内容を印字出力する。

汚染確率設定手段２３は、構造物情報３５を参照して構造物に関する情報のうち、放射線の減衰や遮蔽に影響する情報を取得する機能と、三次元空間内に設定され、解析対象１に含まれる座標位置における汚染確率を求める機能とを有する。

三次元空間内の座標は、三次元空間内の一点を特定可能な座標系で表現され、最も単純には、例えば、横（幅）方向を表すｘ軸方向、縦（奥行）方向を表すｙ軸方向および高さ方向を表すｚ軸方向の直交する３本の軸からなる三次元直交座標系（図２）によって表現される。

汚染確率設定手段２３は、放射線の減衰や遮蔽に影響を及ぼす、例えば、位置、材質、大きさ、形状および密度等の構造物の特徴事項を表す情報を構造物情報３５から取得する一方、少なくとも物質の種類および形状と汚染確率とが関連付けられている汚染確率情報３６を参照し、指定した座標位置の汚染確率を求める。

汚染確率設定手段２３は、汚染確率の設定方法は幾つか考えられる。例えば、第１の設定方法としては、構造物が存在しない気中の領域や構造物に取り囲まれた閉鎖空間では汚染物質の付着等が起こり得ず汚染確率が０％となることを利用する方法である。より具体的には、構造物が存在しない気中の領域や構造物に取り囲まれた閉鎖空間以外の汚染確率が０％とならない（０％超１００％以下となる）領域を特定し、特定した領域内の物質の種類等と関連付けられている汚染確率を取得すること等によって解析対象内の所望の位置における汚染確率を求める方法である。

第２の設定方法としては、構造物が存在する領域では当該構造物が外気（大気）と接する表面において汚染物質の付着等が起こり得ることを利用する方法である。より具体的には、構造物情報３５に基づき構造物の表面を特定し、表面を特定した構造物を構成する物質の種類等と関連付けられている汚染確率を取得すること等によって解析対象内の所望の位置における汚染確率を求める方法である。

汚染確率設定手段２３は、指定した座標位置の汚染確率を求めると、求めた指定座標位置の汚染確率を学習モデル製造要否判定手段２５へ送る。

線量寄与度算出手段２４は、線量寄与情報３７を参照して、解析対象１に含まれる範囲であって汚染源を推定する範囲（以下、「評価エリア」とする。）に対して、解析対象１に含まれる座標位置からの空間線量に及ぼす影響の程度を表す、例えば、線量寄与度等の評価指標を取得する機能と、取得した評価指標を用いて、評価エリアに対して、解析対象１に含まれる座標位置からの空間線量に及ぼす影響の大小を数値化する機能、すなわち取得した評価指標の評価値を求める機能とを有する。

解析対象１に含まれる座標位置からの空間線量に及ぼす影響の程度を評価する評価指標としては、例えば、線量寄与度等がある。線量寄与度を用いた評価基準の情報は、線量寄与情報３７に含まれており、線量寄与度算出手段２４は、線量寄与情報３７を参照して、線量寄与度を算出する。線量寄与度算出手段２４は、線量寄与度を算出すると、算出結果を学習モデル製造要否判定手段２５へ送る。

学習モデル製造要否判定手段２５は、汚染源となる核種、当該汚染源の位置、大きさおよび強度を設定したモデル（以下、「汚染モデル」とする。）および当該汚染モデルに対する評価エリアの空間線量分布とを関連付けた学習モデル３８を製造するか否か、すなわち学習モデル３８の製造の要否を判定する機能を有する。

学習モデル製造要否判定手段２５は、汚染確率および線量寄与度のうち少なくとも線量寄与度が、設定される学習モデル製造要否の判定条件（以下、単に「製造要否判定条件」とする。）を満たすか否かを判定することによって、学習モデル３８を製造するか否かを判定する。ここで、汚染確率および線量寄与度のうち少なくとも線量寄与度としているのは、構造物が解析対象範囲内に存在しない場合等のように、解析対象範囲内で汚染確率が一様とみなせるような場合、線量寄与度を比べれば十分だからである。

製造要否判定条件としては、例えば、汚染確率が高い程、線量寄与度が高い程に学習モデル３８を製造する必要性が高まる点を考慮して、汚染確率と線量寄与度との積が所定の閾（しきい）値ｖ１（ｖ１は正数）を上回ること等が考えられる。すなわち、学習モデル製造要否判定手段２５は、学習モデル３８を製造する必要性が所定レベルに到達している場合、学習モデル３８を製造する必要があると判定し、上記所定レベルに到達していない場合、学習モデル３８の製造は不要と判定する。

学習モデル製造要否判定手段２５は、学習モデル３８の製造の要否を判定すると、判定結果を学習モデル製造手段２６へ送る。

学習モデル製造手段２６は、例えば、汚染モデルに対する評価エリアの空間線量分布をシミュレーションして求める機能と、シミュレーションして得られた空間線量分布と汚染モデルとを関連付けて学習モデル３８を製造する機能とを有する。

学習モデル製造手段２６は、学習モデル３８の製造の要否の判定結果に基づいて、学習モデル３８を製造すると判定された汚染モデルについて、当該汚染モデルに対する評価エリアの空間線量分布をシミュレーションして求めると、求めた空間線量分布と汚染モデルとを関連付けて学習モデル３８を製造する。

なお、学習モデル製造手段２６は、既に得られているシミュレーション結果から別の異なる汚染モデルを設定し、設定した汚染モデルに対する評価エリアの空間線量分布を得て、求めた空間線量分布と汚染モデルとを関連付けて新たな学習モデル３８を製造する機能を有していてもよい。

新たな学習モデル３８の製造は、例えば、既に得られているシミュレーション結果を用い、汚染源の強度および空間線量分布をｎ（ｎは正数）倍して新たな汚染モデルと評価エリアの空間線量分布とを得たり、既に得られているシミュレーション結果に基づく汚染源の位置および空間線量分布を各々平行移動させて新たな汚染モデルと評価エリアの空間線量分布とを得たりすることによって行われる。

但し、上記例示の新たな学習モデル３８の製造方法は、放射線の散乱や遮蔽の効果が同等であることを前提とした内容である。従って、上記例示の新たな学習モデル３８の製造方法は、汚染設定エリアの周囲の物質の平均の原子番号や密度が同程度の場合に適用することが好ましい。

機械学習手段２７は、学習モデル３８を機械学習させる機能を有し、学習モデル３８を機械学習させて学習済みモデル３９を得る。適用可能な機械学習としては、例えば、単純な多変量解析や深層学習等がある。

機械学習手段２７が機械学習を終了させるタイミングは、設定した判定基準を満たすか否かに応じて決定される。例えば、汚染密度算出装置２０では、学習済みモデル３９が導き出す汚染密度の精度が要求するレベルに到達していると精度判定手段３１が判定した場合、設定した判定基準を満たすと判定する。

学習モデル３８を機械学習させて得られる学習済みモデル３９が設定した判定基準を満たすと判定した場合、学習済みモデル３９は、原則として、要求精度を満足する精度で汚染密度を推定（算出）可能な回帰式（応答関数）を提供する。

汚染源推定手段２８は、測定した空間線量分布と、学習済みモデル３９が導き出す汚染密度を推定可能な回帰式とを用いて、測定した空間線量分布となる汚染密度、すなわち汚染源となる核種、当該汚染源の位置、大きさおよび強度を推定する。汚染源の強度については、空間線量との比例関係からｎ（ｎは正数）倍することによって求められる。

疑似汚染モデル設定手段２９は、設定した範囲に含まれる汚染源の代わりに、当該汚染源が評価エリアの空間線量に対して及ぼす影響と実質的に等価とみなす疑似的な汚染モデル（以下、「疑似汚染モデル」とする。）を設定するか否かを判定する機能と、疑似汚染モデルを設定する機能とを有する。疑似汚染モデルは、汚染源となる核種、当該汚染源の大きさおよび強度が既知な汚染源である。

疑似汚染モデルを設定する場合として想定されるのは、個々に汚染モデルを設定して学習モデル３８を製造すべき程の必要性はないものの、汚染モデルを全く設定することなく（汚染源の影響を完全に無視して）学習モデル３８を製造しないと多少誤差が大きくなることが懸念されるような場合、すなわち、学習モデル３８を製造する必要性の相対的なレベルを、低、中、高の３段階に分類した場合に、学習モデル３８を製造する必要性のレベルが「中」に相当するレベルにある場合である。

例えば、疑似汚染モデルを設定するか否かを判定する指標の一つとして、汚染確率と線量寄与度との積を適用し、２個の異なる閾値ｖ１，ｖ２（ｖ２はｖ２＜ｖ１を満たす正数）を設定した場合、汚染確率と線量寄与度との積が、閾値ｖ１以下かつ閾値ｖ２を超える場合に、疑似汚染モデルを設定する必要があると判定するようにすることができる。この疑似汚染モデルを設定するか否かの判定例は、学習モデル３８の製造要否判定と併せて行うことができる。

なお、疑似汚染モデルを設定するか否かを判定する機能は、疑似汚染モデル設定手段２９の代わりに、学習モデル製造要否判定手段２５が学習モデル３８の製造要否を判定する機能と併せて有していてもよい。

精度判定手段３１は、学習済みモデル３９が導き出す汚染密度を推定可能な回帰式の精度が要求するレベルに到達しているか否かを判定する機能を有する。精度が要求するレベルにあるか否かは、評価用モデル４１に与える既知の汚染源の汚染密度の値と学習済みモデル３９が導き出す汚染密度の推定値との関係を規定した精度判定指標に基づいて判定する。

精度判定手段３１は、まず、既知の汚染源（核種、位置、大きさおよび強度）を設定した際に評価用モデル４１が導き出す空間線量を、精度を判定する学習済みモデル３９に与えて汚染源となる核種、当該汚染源の位置、大きさおよび強度を求める。続いて、精度判定手段３１は、求めた汚染源となる核種、当該汚染源の位置、大きさおよび強度（汚染密度）を既知の汚染源となる核種、当該汚染源の位置、大きさおよび強度（汚染密度）とを精度判定指標に当てはめて要求する精度を満足するか否かを判定する。

精度判定指標には、例えば、学習済みモデル３９が導き出す汚染密度の推定値と評価用モデル４１に与えた既知の汚染密度の値の差（誤差）の二乗和などの誤差を評価する指標を用いる。例えば、上記誤差の二乗和を精度判定指標として適用した場合、精度判定手段３１は、精度判定用の閾値として設定される所定値に対して、上記誤差の二乗和の値が小さければ、要求する精度を満足すると判定する。

また、同じ精度判定指標を用いて得られる今回の精度判定結果と同じ評価用モデル４１を用いて精度判定して得られた過去の精度判定結果との差分の変化量や変化速度を精度判定指標として用いることもできる。変化量や変化速度は、精度が高まる程、小さくなると考えられるため、精度判定用の閾値として設定される所定の変化量や変化速度を下回る場合、要求する精度を満足すると判定する。

精度判定手段３１は、例えば、精度判定指標が学習済みモデル３９から得られる汚染密度の推定値と評価用モデル４１に与えた既知の汚染密度の値との差の二乗和の場合、当該二乗和の値が設定する許容値以下の場合、要求する精度を満足すると判定する一方、許容値を超える場合、要求する精度を満足しないと判定する。

記憶手段３２は、情報の読み出し（リード）および書き込み（ライト）が可能な記憶領域を提供する記憶回路を有し、当該記憶領域に情報を保持する機能を有する。

記憶手段３２は、汚染確率設定手段２３、線量寄与度算出手段２４、学習モデル製造要否判定手段２５、学習モデル製造手段２６、機械学習手段２７、汚染源推定手段２８、疑似汚染モデル設定手段２９、精度判定手段３１および制御手段３３に対して、各々の処理実行に必要な情報の読み出し（リード）および書き込み（ライト）可能な記憶領域を提供する。

すなわち、記憶手段３２は、汚染密度算出装置２０に組み込む機能を実現し、当該機能を制御するプログラムを記憶するＲＯＭ（Read Only Memory）や、当該プログラムの実行領域となるＲＡＭ（Random Access Memory）などを概念上含む。

制御手段３３は、汚染密度算出装置２０の装置全体の処理を制御する手段であり、入力手段２１、出力手段２２、汚染確率設定手段２３、線量寄与度算出手段２４、学習モデル製造要否判定手段２５、学習モデル製造手段２６、機械学習手段２７、汚染源推定手段２８、疑似汚染モデル設定手段２９、精度判定手段３１および記憶手段３２と相互に情報を授受し、これらを制御する機能を有する。

制御手段３３は、上記機能を用いて、入力手段２１、出力手段２２、汚染確率設定手段２３、線量寄与度算出手段２４、学習モデル製造要否判定手段２５、学習モデル製造手段２６、機械学習手段２７、汚染源推定手段２８、疑似汚染モデル設定手段２９、精度判定手段３１および記憶手段３２を制御し、後述する学習モデル製造処理手順（図４，図７）および汚染密度算出処理手順（図８）などの処理手順を実行する。

制御手段３３は、入力手段２１から情報を受け取ると、入力手段２１が受け付けた情報の種類に応じて、出力手段２２、汚染確率設定手段２３、線量寄与度算出手段２４、学習モデル製造要否判定手段２５、学習モデル製造手段２６、機械学習手段２７、汚染源推定手段２８、疑似汚染モデル設定手段２９および記憶部３１の何れかに入力を受け付けた情報に基づいて要求を与える。

制御手段３３は、情報の表示要求があった場合、表示要求があった情報と関係する処理手段２１，２３〜２９から表示要求があった情報を受け取り、受け取った情報を出力手段２２の一例である表示手段に表示する表示指令を与える。当該表示指令を受けた表示手段には、表示要求があった情報が表示される。

構造物情報３５は、構造物に関する情報のうち、放射線の減衰や遮蔽に影響する情報を含む。放射線の減衰や遮蔽に影響する情報としては、例えば、構造物の位置、材質、大きさ、形状および密度等の構造物の特徴事項を表す情報がある。

本実施形態では、構造物が占有する範囲を特定可能とする観点から、少なくとも、構造物の位置、大きさおよび形状の情報を構造物の特徴事項を表す情報として含んでいる。また、自動的に汚染確率を設定可能とする観点から構造物の材質の情報をさらに含んでいてもよい。

汚染確率情報３６は、少なくとも物質の種類および形状と関連付けられている汚染確率の情報を含む。汚染確率情報３６は、例えば、汚染確率設定手段２３が構造物の存在する位置の汚染確率を設定する際に参照される。

なお、汚染確率情報３６は、個々の物質の種類や形状に対応する汚染確率の情報を個別に含んでいる必要はなく、例えば、代表的な特徴事項に対応する汚染確率の情報と、当該汚染確率を特徴事項に応じて補正する補正式の情報とを含む態様でもよい。すなわち、一つの特徴事項に対応する汚染確率を一意に特定できさえすればよい。

線量寄与情報３７は、線量寄与度を用いた評価基準の情報、すなわち線量寄与度Ｉを求めるための情報である。線量寄与度Ｉは、放射線源からの距離に対応する第１のパラメータおよび放射線の減衰または遮蔽の影響に対応する第２のパラメータの少なくとも一方を含んでおり、例えば、汚染源からの距離と汚染源から放射される放射線の減衰および遮蔽の影響とを加味した演算式で表すことができる。

線量寄与度Ｉを求める演算式は、例えば、設定されている汚染源と評価エリアとの距離Ｌ、汚染源と評価エリアとの間にある構造物の平均線減衰係数μおよび厚さｄを用いて、下記式（１）のように表すことができる。

［数１］
Ｉ＝ｅｘｐ（−μｄ）／Ｌ^２ …（１）
上記式（１）のうち、１／Ｌ^２の項は、汚染源からの距離Ｌの影響を加味した項であり、ｅｘｐ（−μｄ）の項は、汚染源から放射される放射線の減衰および遮蔽の影響を加味した項である。

なお、空間線量に及ぼす影響の程度を評価する評価指標は、必ずしも上記式（１）に限定されるものではなく、放射線源（汚染源）からの距離や放射線の減衰または遮蔽による影響を反映した指標であればよい。

学習モデル３８は、解析対象範囲の内部に汚染源を設定した汚染源パターンのうち、汚染密度を推定する精度への影響が大きい汚染源パターンに対してシミュレーションを実行して得られた空間線量分布と設定した汚染源とを関連付けたデータである。学習済みモデル３９は、学習モデル３８を機械学習させたものである。

評価用モデル４１は、汚染密度を推定可能な回帰式を求める解析モデルであって解析精度が既知なる解析モデルである。評価用モデル４１は、学習済みモデル３９が導き出す汚染密度を推定可能な回帰式の精度が要求するレベルにあるか否かを判定する際に、判定基準を与える。

なお、汚染密度算出装置２０は、図１に例示される構成に限定されるものではなく、少なくとも、学習モデル製造要否判定手段２５と、学習モデル製造手段２６と、汚染源推定手段２８とを具備していればよく、例えば、機械学習部２７などの他の構成要素については、通信ネットワークを介して接続される外部装置に具備される構成でもよい。

例えば、機械学習部２７を外部装置に実装する場合、学習済みモデル３９を当該が通信ネットワークを介して受け取り、記憶手段３２に保存される。

また、構成要素の一部には、処理手段の全部のみならず一部も含まれる。例えば、学習モデル製造手段２６が有するシミュレーションを実行する機能など、処理手段の一部機能を有する要素を外部の計算機（サーバ）に実装して汚染密度算出装置２０を構築してもよい。

なお、汚染密度算出装置２０において、学習モデル３８までの製造を前提とする場合、続く汚染密度の算出のみに適用される情報および機能を適宜省略して、汚染密度算出装置２０を学習モデル製造装置として構築してもよい。

また、汚染密度算出装置２０において、学習モデル３８の製造に必須でない機能は適宜省略して汚染密度算出装置２０を構築することができる。

例えば、汚染確率が一様とみなせるような解析対象に対して汚染密度を算出するような場合、汚染密度算出装置２０は必ずしも汚染確率設定手段２３を具備している必要はなく、汚染確率設定手段２３を具備しない汚染密度算出装置２０を構築してもよい。

例えば、疑似汚染モデルを設定する機能が不要な場合、疑似汚染モデル設定手段２９を具備しない汚染密度算出装置２０を構築してもよい。

例えば、汚染源の位置、大きさおよび強度を推定する解析モデルとしての学習済みモデル３９の精度を判定する機能が不要な場合、精度判定手段３１を具備しない汚染密度算出装置２０を構築してもよい。

なお、図１に示される汚染密度算出装置２０は、記憶手段３２に汚染確率情報３６を保持している例であるが、必ずしも記憶手段３２に汚染確率情報３６を保持させておくことを要しない。例えば、構造物情報３５に基づいて把握される構造物の位置、大きさ、形状および材質を考慮してユーザが汚染確率を個別に設定する場合等、汚染確率情報３６を使用せずに汚染確率を設定する場合には、汚染確率情報３６を省略してもよい。

上述した汚染密度算出装置２０は、例えば、組み込む処理手段２１〜２９，３１〜３３を、ハードウェア資源を用いて構築してもよいし、ＣＰＵ（Central Processing Unit）などのプロセッサおよびＲＯＭ（Read-Only Memory）およびＲＡＭ（Random-Access Memory）などの記憶回路を有する記憶装置を備えるハードウェア資源としての計算機と、当該計算機に組み込む処理手段２１〜２９，３１〜３３の機能を実現するソフトウェア資源としてのプログラムとを協働させて構築してもよい。

（解析対象）
続いて、本実施形態を適用する解析対象について説明する。

図２は、本実施形態を適用する解析対象１の一例を概略的に示した斜視図である。
なお、図２に示されるｘ軸、ｙ軸およびｚ軸は、それぞれ、三次元直交座標系の各軸であり、それぞれ、横（幅）方向、縦（奥行）方向および高さ方向に延びる座標軸である。

解析対象１は、座標位置が定義されている三次元空間内に設定される。すなわち、解析対象１の範囲は、座標位置を認識可能な三次元空間内である。解析対象１の内部には、例えば、建物の壁２、床３および壁２や床３に設置される構造物ｓｔ１〜ｓｔ４が存在しており、汚染源５が付着または堆積している。

評価エリア６は、汚染密度算出装置２０が汚染密度を算出する範囲であり、解析対象１の内部に設定される。

ボクセル７は、解析対象１を三次元的に分割したものであり、図２に例示される三次元座標系では、直方体状に分割される。ボクセル７の分割数、すなわち１個当たりのボクセル７の大きさ（体積）は、必要な精度と計算量を考慮して設定される。なお、最小時のボクセル７の大きさは、各軸において認識される最小長さである。
ボクセル７は、解析対象１に対して汚染源の位置および大きさを設定する際の基準となる。すなわち、三次元座標系汚染密度算出装置２０では、ボクセル７単位で汚染源が設定される。

汚染源と評価エリア６との距離は、汚染源を設定したボクセル７内の座標点と評価エリア６に含まれるボクセル７内の座標点との距離であり、例えば、汚染源を設定したボクセル７の中心点と評価エリア６（の中心に位置するボクセル７）の中心点との距離、汚染源を設定したボクセル７内の評価エリア６から最も近い座標点（最近接点）と評価エリア６の中心点との距離、汚染源を設定したボクセル７内の評価エリア６との最近接点と評価エリア６の汚染源から最も近い座標点（最近接点）等がある。

図２に例示される解析対象１は、汚染密度算出装置２０において、例えば複数個に分割されたボクセル７の集合体、または１個のボクセル７として認識される。

図３は、図２に例示される解析対象１を２０（ｘ軸方向）×１０（ｙ軸方向）×１０（ｚ軸方向）の計２０００個のボクセル７に分割した場合における解析対象１の平面への投影図であり、図３（Ａ）がｘ−ｙ平面への投影図（平面図）、図３（Ｂ）がｘ−ｚ平面への投影図（正面図）である。

なお、説明を簡略化する観点から、図３に例示される構造物ｓｔ１〜ｓｔ４の構造物の特徴事項を表す情報が何れも等しく、当該構造物上において汚染確率が例えば所定値ｐ（０＜ｐ≦１）で一様とみなせる場合であって、線量寄与度Ｉが上述の式（１）で表される場合を例に説明する。

図３（図３（Ａ）および図３（Ｂ））に例示される解析対象１では、評価エリア６が、図中右隅に８（ｘ軸方向）×６（ｙ軸方向）×１０（ｚ軸方向）の計４８０個のボクセル７によって表されている。

構造物ｓｔ１は、２（ｘ軸方向）×２（ｙ軸方向）×３（ｚ軸方向）の計１２個のボクセル７によって表されており、全てが評価エリア６の内部に存在する。
構造物ｓｔ２は、２（ｘ軸方向）×２（ｙ軸方向）×２（ｚ軸方向）の計８個のボクセル７によって表されており、全てが評価エリア６の内部に存在する。
構造物ｓｔ３は、２（ｘ軸方向）×２（ｙ軸方向）×４（ｚ軸方向）の計１６個のボクセル７によって表されており、全てが評価エリア６の外部かつ破線ＢＬに対して評価エリア６から遠い側に存在する。
構造物ｓｔ４は、２０（ｘ軸方向）×１（ｙ軸方向）×１（ｚ軸方向）の計２０個のボクセル７によって表されており、２０個のボクセル７のうち、８個は評価エリア６の内部に、７個は評価エリア６の外部かつ破線ＢＬに対して評価エリア６から近い側に、５個は評価エリア６の外部かつ破線ＢＬに対して評価エリア６から遠い側に存在する。

なお、構造物ｓｔ４は、ｙ軸方向およびｚ軸方向においてボクセル７の全てを占有する訳ではないが、ボクセル７を部分的に占有する場合についても、ボクセル７の全てを占有する場合と同様に計数する。

（学習モデル製造方法および汚染密度算出方法）
次に、実施形態に係る学習モデル製造方法および汚染密度算出方法を説明する。

実施形態に係る学習モデル製造方法は、機械学習させる学習モデル３８（図１）を製造する必要性の高い汚染モデルであるか否かを判定し、学習モデル３８を製造する必要性の高い汚染モデルを対象に限定して学習モデル３８を製造する方法である。実施形態に係る学習モデル製造方法は、例えば、汚染密度算出装置２０を用いて実施することができる。

実施形態に係る汚染密度算出方法は、学習モデル３８を機械学習させて得られる学習済みモデル３９（図１）を用いて空間線量と放射線源（汚染源）の位置および強度（汚染密度）とを関係付ける回帰式（応答関数）を得て、得られる回帰式と入力される空間線量とを用いて、汚染源の位置および強度を算出する方法である。実施形態に係る汚染密度算出方法は、例えば、汚染密度算出装置２０を用いて実施することができる。

＜第１の学習モデル製造処理手順＞
図４は、実施形態に係る学習モデル製造方法の一例であって、第１の学習モデル製造処理手順の処理ステップの流れを示す処理フロー図である。

なお、後述する第１の学習モデル製造処理手順は、図３に例示される解析対象１に対して汚染密度算出装置２０（図１）が学習モデル３８（図１）を製造する場合であって、学習モデル３８を製造する必要性のレベルを判定する際に、汚染確率と線量寄与度との積を用いる場合を説明した内容である。

第１の学習モデル製造処理手順は、例えば、汚染確率設定ステップ（ステップＳ１）と、線量寄与度算出ステップ（ステップＳ２）と、学習モデル製造要否決定ステップ（ステップＳ３）と、学習モデル取得ステップ（ステップＳ５）と、疑似汚染モデル設定要否決定ステップ（ステップＳ６）と、疑似汚染モデル設定ステップ（ステップＳ７）とを備える。

第１の学習モデル製造処理手順（図４）では、まず、汚染確率設定ステップ（ステップＳ１）が行われる。汚染確率設定ステップでは、汚染確率設定手段２３（図１）が、解析対象範囲内の少なくとも１箇所の座標位置に汚染確率を設定する。

汚染確率設定ステップ（ステップＳ１：図４）では、汚染確率設定手段２３（図１）が、構造物情報３５（図１）を参照し、構造物ｓｔ１〜ｓｔ４（図３）に関する情報のうち、構造物ｓｔ１〜ｓｔ４の位置、材質、大きさ、形状および密度等の構造物の特徴事項を表す情報等の構造物ｓｔ１〜ｓｔ４による放射線の減衰や遮蔽に影響する情報を取得する一方、汚染確率情報３６（図１）を参照し、指定した座標位置に位置するボクセル７（図２）の汚染確率を求める。

本ケースでは、構造物情報３５および汚染確率情報３６を参照すると、構造物ｓｔ１〜ｓｔ４を表すボクセル７の汚染確率はｐ、その他のボクセル７の汚染確率は０（ゼロ）となる。ここで、上述した第１の設定方法を用いて汚染確率を設定する場合、汚染確率設定手段２３は、解析対象１内の２０００個のボクセル７のうち、構造物ｓｔ１〜ｓｔ４を表す計５６個のボクセル７に汚染確率ｐを設定し、残りのボクセル７には汚染確率０を設定する。

汚染確率設定ステップが完了すると、続いて、線量寄与度算出ステップ（ステップＳ２：図４）が行われる。線量寄与度算出ステップでは、線量寄与度算出手段２４（図１）が、線量寄与情報３７（図１）を参照して、汚染確率を設定する際に選択される座標位置からの線量寄与度Ｉを算出する。

本ケースでは、線量寄与度Ｉの大小は、上述した式（１）の右辺項に含まれる１／Ｌ^２の項の影響を受け、Ｌが十分に大きい場合、線量寄与度Ｉは０と近似できる程に十分に小さくなる。従って、解析対象１が例示される図３、図５および図６において、左側へ向かう程、評価エリア６からの距離Ｌが大きくなり、線量寄与度Ｉは小さくなる。

線量寄与度算出ステップが完了すると、続いて、学習モデル製造要否決定ステップ（ステップＳ３：図４）が行われる。学習モデル製造要否決定ステップでは、学習モデル製造要否判定手段２５が、学習モデル３８を製造する必要性のレベルを判定し、当該必要性の相対的なレベルを、例えば「高」、「中」および「低」の３段階に分類した場合において当該必要性の相対的なレベルが「高」に該当する場合、学習モデル３８を製造することを決定する。

ここで、学習モデル３８を製造する旨が決定された場合（ステップＳ３でＹＥＳの場合）、続いて、シミュレーション機能を有する学習モデル製造手段２６が、学習モデル３８を製造する旨を決定するにあたり比べた汚染確率および線量寄与度のうち少なくとも線量寄与度を与える汚染モデルを入力データとしたシミュレーションを実行する。このシミュレーションの結果、学習モデル製造手段２６は、評価エリアの空間線量分布を出力データとして取得する（ステップＳ４：図４）。

続いて、学習モデル取得ステップ（ステップＳ５：図４）が行われる。学習モデル取得ステップでは、学習モデル製造手段２６が、取得した出力データとしての評価エリアの空間線量分布と、入力データとしての汚染モデルとを学習モデル３８として取得する。すなわち、学習モデル３８が製造される。

学習モデル３８が製造されると、第１の学習モデル製造処理手順は、全処理ステップを終了する（ＥＮＤ）。

一方、学習モデル製造要否決定ステップにおいて、学習モデル３８を製造しない旨が決定された場合（ステップＳ３でＮＯの場合）、続いて、疑似汚染モデル設定要否決定ステップが行われる（ステップＳ６：図４）。

疑似汚染モデル設定要否決定ステップでは、例えば、疑似汚染モデルを設定するか否かを判定する機能を有する学習モデル製造要否判定手段２５が、学習モデル製造要否決定ステップと同様に学習モデル３８を製造する必要性のレベルを判定し、当該必要性のレベルが（「高」には該当しないが）「中」に該当する場合、必要な疑似汚染モデルを設定することを決定する。

ここで、必要な疑似汚染モデルを設定する旨が決定された場合（ステップＳ６でＹＥＳの場合）、続いて、疑似汚染モデル設定ステップが行われる（ステップＳ７：図４）。

疑似汚染モデル設定ステップでは、例えば、疑似汚染モデル設定手段２９が、疑似汚染モデルを設定する入力に従って疑似汚染モデルを設定する。疑似汚染モデルの設定が完了すると、処理フローはステップＳ７からステップＳ４に進み、ステップＳ４以降の処理ステップが行われる。

他方、学習モデル製造要否決定ステップにおいて学習モデル３８を製造しない旨が決定され、続く疑似汚染モデル設定要否決定ステップにおいて必要な疑似汚染モデルを設定しない旨が決定された場合（ステップＳ３でＮＯかつステップＳ６でＮＯの場合）、処理フローはステップＳ６からＥＮＤに進む。すなわち、学習モデル３８を製造することなく、また、疑似汚染モデルを設定することなく第１の学習モデル製造処理手順は終了する（ＥＮＤ）。

なお、上述した第１の学習モデル製造処理手順は、汚染確率設定ステップ（ステップＳ１）に続いて線量寄与度算出ステップ（ステップＳ２）が行われる場合を説明したが、汚染確率設定ステップおよび線量寄与度算出ステップは、学習モデル製造要否決定ステップを行う前であれば、行われる順序は問わない。すなわち、線量寄与度算出ステップが汚染確率設定ステップよりも先に行われてもよいし、並行して行われてもよい。

また、上述した第１の学習モデル製造処理手順は、疑似汚染モデル設定要否決定ステップ（ステップＳ４）および疑似汚染モデル設定ステップ（ステップＳ５）を備えている例であるが、疑似汚染モデル設定要否決定ステップ（ステップＳ４）および疑似汚染モデル設定ステップ（ステップＳ５）は、任意の処理ステップであり、省略されてもよい。

疑似汚染モデル設定要否決定ステップ（ステップＳ４）および疑似汚染モデル設定ステップ（ステップＳ５）を省略する場合、学習モデル３８を製造する必要性の相対的なレベルは、少なくとも「高」および「低」の２段階に分類されていればよい。

ここで、学習モデル製造要否決定ステップ（ステップＳ３）および疑似汚染モデル設定要否決定ステップ（ステップＳ６）における、学習モデル３８を製造する必要性の相対的なレベル「高」、「中」および「低」の関係を説明する。

図５は、図３に対応する投影図であり、図３に例示される解析対象１に対して、評価エリア６から汚染源（ボクセル７）の距離Ｌが破線ＢＬ以遠（図中、破線ＢＬを含めてその左側の領域）に位置する汚染源の影響を完全に無視する場合における解析対象１とボクセル７（７ａ，７ｃ）との関係を示す投影図である。

より詳細には、図５（Ａ）および図５（Ｂ）は、それぞれ、評価エリア６からの距離が破線ＢＬ以遠に位置する汚染源の影響を無視する場合における、解析対象１の平面図および正面図である。

例えば、図５（図５（Ａ）および図５（Ｂ））に示される評価エリア６からの距離Ｌが評価エリア６から破線ＢＬまでの距離Ｌ１以上となる（図中、破線ＢＬを含めてその左側に位置する）ボクセル７ｃでは、線量寄与度Ｉは十分に小さく、汚染確率と線量寄与度との積で表される学習モデル３８を製造する必要性のレベルが相対的に「中」以下（「中」または「低」）となる。逆に、距離Ｌ１未満のボクセル７ａでは、学習モデル３８を製造する必要性のレベルが相対的に「高」となる。

この場合、破線ＢＬ以遠となるボクセル７ｃに設定される汚染源については、学習モデル３８を製造する対象から除外し、より必要性の高い、評価エリア６からの距離Ｌが距離Ｌ１未満のボクセル７ａに設定される汚染源に絞り込んで学習モデル３８を製造する。

より具体的に説明すれば、図５に例示される解析対象１では、汚染確率ｐが設定され、汚染源の影響が無視されないボクセル７ａは計３５個にまで絞り込まれる。

仮に、汚染確率ｐが設定され汚染源の影響が無視されないボクセル７ａ、すなわち汚染モデルを絞り込むことなく図５に例示される解析対象１（２０００個のボクセル７の集合体）に対して単ボクセル解析を実施する場合、２０００パターンの解析が必要となる。これに対して、学習モデル３８の製造要否判定条件を満たすボクセル７ａ、すなわち汚染モデルを絞り込むことによって学習モデル３８を製造する汚染モデルを３５パターンに削減することができる。

図６は、図３に対応する投影図であり、図３に例示される解析対象１に対して、評価エリア６から汚染源（ボクセル７）までの距離Ｌが破線ＢＬ以遠（図中、破線ＢＬを含めてその左側の領域）に位置する汚染源が評価エリア６に及ぼす影響を疑似汚染モデル８によって代替する場合における解析対象１とボクセル７（７ａ，７ｅ）との関係を示す投影図である。

より詳細には、図６（Ａ）および図６（Ｂ）は、それぞれ、評価エリア６からの距離Ｌが破線ＢＬ以遠に位置する汚染源の影響を疑似汚染モデル８に代替する場合における、解析対象１の平面図および正面図である。

疑似汚染モデル８は、学習モデル３８を製造する必要性のレベルでいえば、相対的に「中」であって、評価エリア６からの距離Ｌが大きい汚染源の影響を一切無視した場合に誤差が大きくなることが懸念されるような場合等、必要に応じて、設定される。

図６（図６（Ａ）および図６（Ｂ））に示される例では、破線ＢＬを含む（図中では破線ＢＬの直ぐ左に位置する）ボクセル７に、評価エリア６からの距離Ｌが破線ＢＬよりも遠い側に位置する汚染源を代替する疑似汚染モデル８を設定している。

疑似汚染モデル８は、例えば、一様な面汚染を模擬した汚染モデルとする。図６に示される例では、上記面汚染を想定した汚染源が設定されたボクセル７ｅを、１（ｘ軸方向）×４（ｙ軸方向）×７（ｚ軸方向）の配列で破線ＢＬの位置に配置したボクセル７ｅの集合体が疑似汚染モデル８となる。すなわち、疑似汚染モデル８を構成するボクセル７ｅは計２８個になる。

設定する疑似汚染モデル８は、汚染源となる核種、当該汚染源の位置、大きさおよび強度や評価エリア６からの距離Ｌなどを考慮して適宜決定されるが、必ずしも一義に決まるものではない。

例えば、学習モデル３８を製造する必要性のレベルが相対的に「大」、「中」および「小」となる、評価エリア６からの距離Ｌの範囲を、それぞれ、Ｌ＜Ｌ１、Ｌ１≦Ｌ＜Ｌ２およびＬ≧Ｌ２とした場合、疑似汚染モデル８は、学習モデル３８を製造する必要性のレベルが相対的に「中」となる、評価エリア６からの距離ＬがＬ１≦Ｌ＜Ｌ２の範囲内に設定するのが通常であるが、必ずしもこの限りではない。

図６に例示される解析対象１（２０００個のボクセル７の集合体）に対して単ボクセル解析を実施する場合、３５個のボクセル７ａの他に２８個のボクセル７ｅからなる疑似汚染モデル８を設定するため、必要な解析パターン数は６３パターンと評価エリア６からの距離が破線ＢＬよりも遠い側に位置する汚染源の影響を一切無視した場合と比べれば増加するものの、ボクセル７ａを絞り込まずに単ボクセル解析を実施した場合（２０００パターン）と比べて必要な解析パターン数を大幅に削減することができる。

なお、設定する疑似汚染モデル８の寸法は、必ずしも図６に例示される寸法に限定されるものではない。疑似汚染モデル８は、評価エリア６からの距離Ｌが大きい汚染源となる核種、当該汚染源の位置、大きさおよび強度、評価エリア６に含まれる任意の１点からの距離Ｌ、または破線ＢＬに位置するｙｚ平面を見込む立体角などの条件を考慮して任意に設定することができる。

＜第２の学習モデル製造処理手順＞
図７は、実施形態に係る学習モデル製造方法の一例であって、第２の学習モデル製造処理手順の処理ステップの流れを示す処理フロー図である。

なお、図７に例示される第２の学習モデル製造処理手順では、図面および説明を簡略化する観点から、図４に例示される第１の学習モデル製造処理手順を一つの処理ステップ（ステップＳ１０）として示している。

第２の学習モデル製造処理手順は、例えば、第１の学習モデル製造処理手順に対して、学習モデル３８に対して機械学習を一旦完了させるステップ（ステップＳ１１）と、得られた学習済みモデル３９と精度判定の基準となる評価用モデル４１とを読み込むステップ（ステップＳ１２）と、学習済みモデル３９の判定精度が要求精度を満足するか否かを判定するステップ（ステップＳ１３）と、学習済みモデル３９の判定精度が要求精度を満足しない場合（ステップＳ１３でＮＯの場合）に追加の学習モデル３８を製造する旨を決定するステップ（ステップＳ１４）をさらに備える点で相違するが、その他の点は実質的に相違しない。

そこで、第２の学習モデル製造処理手順の説明では、第１の学習モデル製造処理手順の説明と重複する説明を省略し、相違するステップＳ１１〜ステップＳ１４を中心に説明する。

第２の学習モデル製造処理手順では、まず、第１の学習モデル製造処理手順（ステップＳ１０）を行い、学習モデル製造手段２６（図１）が学習モデル３８を製造する。続いて、機械学習手段２７（図１）が、学習モデル３８を機械学習させて学習済みモデル３９を得る（ステップＳ１１）。

続いて、精度判定手段３１が、学習済みモデル３９と精度判定の基準を与える評価用モデル４１とを読み込み（ステップＳ１２）、学習済みモデル３９によって導き出される汚染密度を推定可能な回帰式の精度が、評価用モデル４１によって与えられる精度判定の基準となるレベル、すなわち要求するレベルに到達しているか否かを判定する（ステップＳ１３）。

精度判定手段３１が、学習済みモデル３９によって導き出される汚染密度を推定可能な回帰式の精度が、要求するレベルに到達していると判定した場合（ステップＳ１３でＹＥＳの場合）、追加の学習モデル３８の製造は不要であると判定する。すなわち、第２の学習モデル製造処理手順の処理フローは、ステップＳ１３からＥＮＤに進み、全処理ステップを終了する（ＥＮＤ）。

一方、精度判定手段３１が、学習済みモデル３９によって導き出される汚染密度を推定可能な回帰式の精度が、要求するレベルに到達していないと判定した場合（ステップＳ１３でＮＯの場合）、追加の学習モデル３８を製造する旨を決定する（ステップＳ１４）。追加の学習モデル３８の製造が決定した後、第２の学習モデル製造処理手順の処理フローは、ステップＳ１４からステップＳ１０に進み、汚染密度算出装置２０において、第１の学習モデル製造処理手順（ステップＳ１０）が行われ、追加の学習モデル３８が製造される。

なお、学習済みモデル３９によって導き出される汚染密度を推定可能な回帰式の精度が、要求するレベルに到達していないと判定された場合、精度判定に使用した評価用データ４１を学習モデル３８として追加（製造）することが好ましい。また、ボクセル７毎に判定される精度が、要求するレベルに到達していないボクセル７の周囲には、重点的に学習モデル３８を追加（製造）することが好ましい。

精度判定に使用した評価用データ４１を学習モデル３８として追加する、または要求するレベルに到達していないボクセル７の周囲に重点的に学習モデル３８を追加することによって、要求する精度を満足する学習モデル３８を効率良く製造することができる。

第２の学習モデル製造処理手順は、例えば、単一ボクセルだけでなく複数ボクセルに亘る汚染分布を設定する場合や、推定精度が要求精度に到達するまで学習モデル３８を増加させたい場合等に実施するとより有益である。

＜汚染密度算出処理手順＞
図８は、実施形態に係る汚染密度算出方法の一例である汚染密度算出処理手順の処理ステップの流れを示す処理フロー図である。

なお、図８に示される汚染密度算出処理手順は、第１の学習モデル製造処理手順や第２の学習モデル製造処理手順などの学習モデル製造処理手順を備え、当該学習モデル製造処理手順を行うことによって学習モデル３８が製造される場合における処理ステップの一例である。

汚染密度算出処理手順は、例えば、第１または第２の学習モデル製造処理手順に相当し、学習モデル３８を製造する処理ステップ（ステップＳ１００）と、機械学習手段２７（図１）が、製造された学習モデル３８を機械学習させて学習済みモデル３９を得るステップ（ステップＳ１０１）と、汚染源推定手段２８（図１）が、測定した空間線量分布と、学習済みモデル３９が導き出す汚染密度を推定可能な回帰式とを用いて、測定した空間線量分布となる汚染密度、すなわち汚染源となる核種、当該汚染源の位置、大きさおよび強度を推定するステップ（ステップＳ１０２）とを備える。

汚染密度算出処理手順では、まず、第１または第２の学習モデル製造処理手順等の学習モデル製造処理手順（ステップＳ１００）を行い、学習モデル３８を製造する。

続いて、機械学習手段２７が、製造した学習モデル３８を機械学習させて学習済みモデル３９を得る（ステップＳ１０１）。学習済みモデル３９が得られたら、続いて、汚染源推定手段２８が、測定した空間線量分布と、学習済みモデル３９が導き出す汚染密度を推定可能な回帰式とを用いて、測定した空間線量分布となる汚染密度、すなわち汚染源となる核種、当該汚染源の位置、大きさおよび強度を推定する（ステップＳ１０２）。

汚染源推定手段２８が、汚染密度の推定を完了すると、汚染密度算出処理手順の処理フローは、ステップＳ１０２からＥＮＤに進み、全処理ステップを終了する（ＥＮＤ）。

以上、本実施形態によれば、解析対象範囲の内部に汚染源を設定した汚染源パターンを準備し、準備した汚染源パターンに対して、汚染密度を推定する精度への影響の大小を評価することによって、要求精度を満足する精度で汚染密度を推定（算出）可能な回帰式（応答関数）を得るために必要となる学習モデル３８（図１）の製造に必要な汚染源パターンを大幅に削減することができるので、学習モデル３８の製造効率と汚染密度の推定精度とを両立させることができる。

また、汚染密度を推定する精度への影響の大きさを考慮した上で、幾つかの汚染モデルを代替する疑似汚染モデル８（図６）を設定して学習モデル３８を製造することができるので、要求精度を確保しつつ学習モデル３８の製造に必要な汚染源パターンを削減することができる。従って要求精度を満足する精度で、汚染密度を推定可能な回帰式を取得可能な学習モデル３８を現実的に作成可能な時間で製造することができる。

学習モデル製造方法、汚染密度算出方法および汚染密度算出装置２０（図１）によれば、評価用モデル４１を用い、評価用モデル４１が求める汚染源モデルに対する、現在の学習済みモデル３９が求める汚染源モデルの精度が、要求する精度を満足しているか否かに応じて学習モデル３８の製造を終了するか継続するかを判定することができる。

また、当該判定の結果から学習モデル３８の追加（製造）が必要か否かを判定するため、要求精度を満たす必要十分量の学習モデル３８を製造することができ、要求精度を満足する精度で汚染密度を推定可能な回帰式を現実的に作成可能な時間で取得可能な学習モデル３８を製造することができる。

なお、上述した実施形態において説明した「プロセッサ」とは、例えば、専用または汎用のＣＰＵ、ＧＰＵ（Graphics Processing Unit）、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、およびフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））等のプログラムを実行可能な演算処理回路を意味する。プロセッサは、記憶回路に保存されるプログラムを読み出して実行することにより、各種機能を実現する。

また、記憶回路にプログラムにプログラムを保存するかわりに、プロセッサを構成する回路内にプログラムを直接組み込むよう構成してもよい。この場合、プロセッサは回路内に組み込まれたプログラムを読み出して実行することで各種機能を実現する。

さらに、複数の独立したプロセッサを組み合わせてプログラムを実行可能な演算処理回路を構成し、各プロセッサがプログラムを実行することにより各機能を実現してもよい。プロセッサが複数設けられる場合、プログラムを記憶する記憶回路は、プロセッサごとに個別に設けられてもよいし、複数のプロセッサの機能に対応するプログラムを幾つか集約して設けてもよい。

なお、本発明は上述した実施形態そのままに限定されるものではなく、実施段階では、上述した実施例以外にも様々な形態で実施することができる。本発明は、発明の要旨を逸脱しない範囲で、種々の省略、追加、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１…解析対象、２…壁、３…床、５…汚染源、６…評価エリア、７（７ａ，７ｃ，７ｅ）…ボクセル、８…疑似汚染モデル、２０…汚染密度算出装置、２１…入力手段、２２…出力手段、２３…汚染確率設定手段、２４…線量寄与度算出手段、２５…学習モデル製造要否判定手段、２６…学習モデル製造手段、２７…機械学習手段、２８…汚染源推定手段、２９…疑似汚染モデル設定手段、３１…精度判定手段、３２…記憶手段、３３…制御手段、３５…構造物情報、３６…汚染確率情報、３７…線量寄与情報、３８…学習モデル、３９…学習済みモデル、４１…評価用モデル、ｓｔ１〜ｓｔ４…構造物。

Claims (9)

1. 三次元空間内に設定される解析対象範囲に含まれる全座標位置から選択される少なくとも１箇所の座標位置の汚染確率を設定するステップと、
   前記解析対象範囲の内部に設定され、汚染源を推定する範囲の位置情報を表す評価エリア位置情報に基づく評価エリアに対して、前記汚染確率を設定する際に選択される少なくとも１箇所の座標位置からの空間線量に及ぼす影響の程度を表す線量寄与度を算出するステップと、
   前記汚染確率および前記線量寄与度のうち、少なくとも前記線量寄与度が、設定した条件を満たすか否かを判定した判定結果に応じて、学習モデルを製造する要否を決定する学習モデル製造要否決定ステップと、
   前記学習モデル製造要否決定ステップで前記学習モデルを製造する旨を決定した場合、当該決定をするにあたり比べた前記汚染確率および前記線量寄与度のうち、少なくとも前記線量寄与度を与える前記汚染源となる核種、前記汚染源の位置、大きさおよび強度を設定した汚染モデルを入力データとしたシミュレーションを実行して前記評価エリアの空間線量分布を出力データとして取得し、取得した出力データを入力データと関連付け、関連付けられた入力データおよび出力データを前記学習モデルとして取得する学習モデル取得ステップとを備えることを特徴とする学習モデル製造方法。
2. 前記汚染確率を設定するステップは、前記解析対象範囲に在る構造物の位置、形状および大きさの情報を含む構造物情報に基づいて前記構造物の有無を判定するステップと、
   前記解析対象範囲のうち、前記構造物が有ると判定した座標位置に０％超１００％以下の汚染確率を設定するステップとを含む請求項１記載の学習モデル製造方法。
3. 前記汚染確率を設定するステップは、前記解析対象範囲に在る構造物の位置、形状および大きさの情報を含む構造物情報に基づき、前記構造物の表面を抽出するステップと、
   前記構造物情報に基づいて前記構造物の表面が抽出された座標位置に０％超１００％以下の汚染確率を設定するステップとを含む請求項１記載の学習モデル製造方法。
4. 前記構造物情報は構造物の材質の情報を含み、
   前記汚染確率を設定するステップは、物質および形状と汚染確率とが関連付けられている汚染確率情報を参照し、前記構造物の材質および形状と同じ物質および形状と関連付けられている汚染確率を取得するステップと、取得した汚染確率を前記汚染確率として設定するステップとを含む請求項１から３の何れか一項に記載の学習モデル製造方法。
5. 前記学習モデル取得ステップは、前記汚染源となる核種、前記汚染源の位置、大きさおよび強度と前記評価エリアの空間線量分布との関連付けが少なくとも一つ得られている場合、前記汚染源の位置を平行移動した後の空間線量分布を、得られている空間線量分布を、前記汚染源の平行移動と同じ平行移動をさせて求めるステップと、
   前記求めるステップで求められた前記平行移動させた後の座標位置に対する前記汚染源となる核種、前記汚染源の位置、大きさおよび強度と前記評価エリアの空間線量分布とを、前記関連付けられた入力データおよび出力データとして、前記学習モデルに追加するステップとを含む請求項１から４の何れか一項に記載の学習モデル製造方法。
6. 前記学習モデル取得ステップは、前記汚染源となる核種、前記汚染源の位置、大きさおよび強度と前記評価エリアの空間線量分布との関連付けが少なくとも一つ得られている場合、得られている前記空間線量および前記汚染源の強度を、正数ｎを乗じてｎ倍して前記核種、前記汚染源の位置、大きさおよび強度と前記評価エリアの空間線量分布とを関連付けるステップと、
   前記関連付けるステップで関連付けられた前記ｎ倍した後の前記汚染源の位置、大きさおよび強度と前記評価エリアの空間線量分布とを、前記関連付けられた入力データおよび出力データとして、前記学習モデルに追加するステップとを含む請求項１から５の何れか一項に記載の学習モデル製造方法。
7. 学習モデル取得ステップは、前記解析対象範囲の内部に設定した範囲に含まれる汚染源が前記評価エリアの空間線量に対して及ぼす影響と実質的に等価とみなす疑似汚染モデルを前記設定した範囲に含まれる汚染源の代わりに設定するステップを含み、
   前記設定した範囲に含まれる汚染源を前記疑似汚染モデルに代替して前記シミュレーションを実行するステップであって、
   前記疑似汚染モデルは、前記設定した範囲に含まれる汚染源を代替するモデルであって、前記設定した範囲と同じ範囲に大きさおよび強度が既知な汚染源を含むモデルである請求項１から６の何れか一項に記載の学習モデル製造方法。
8. 請求項１乃至７の何れか一項に記載の学習モデル製造方法によって製造される学習モデルを機械学習させて学習済みモデルを得るステップと、
   前記学習済みモデルに前記空間線量を入力して前記汚染源の位置および強度を得るステップとを備えることを特徴とする汚染密度算出方法。
9. 三次元空間内に設定される解析対象範囲に含まれる全座標位置から選択される少なくとも１箇所の座標位置に設定する汚染確率および前記解析対象範囲の内部に設定され、汚染源を推定する範囲の位置情報を表す評価エリア位置情報に基づく評価エリアに対して、前記汚染確率を設定する際に選択される少なくとも１箇所の座標位置からの空間線量に及ぼす影響の程度を表す線量寄与度のうち少なくとも前記線量寄与度が、設定した条件を満たすか否かを判定した判定結果に応じて、学習モデルを製造する要否を決定する学習モデル製造要否決定手段と、
   前記学習モデル製造要否決定手段が前記学習モデルを製造する旨を決定した場合、当該決定をするにあたり比べた前記汚染確率および前記線量寄与度のうち少なくとも前記線量寄与度を与える前記汚染源の位置、大きさおよび強度を設定した汚染モデルを入力データとしたシミュレーションを実行して前記評価エリアの空間線量分布を出力データとして取得し、取得した出力データを入力データと関連付け、関連付けられた入力データおよび出力データを前記学習モデルとして製造する学習モデル製造手段と、
   前記学習モデル製造手段が製造する前記学習モデルを機械学習させた後の前記学習モデルが導き出す前記空間線量分布と前記汚染源の位置、大きさおよび強度との関係と測定した空間線量分布とを用いて、前記測定した空間線量分布となる汚染源の位置、大きさおよび強度を推定する汚染源推定手段とを具備することを特徴とする汚染密度算出装置。

Images