JP2022533815A - Ｘ線又はガンマ線放射を発する原子種を識別するための方法及びデバイス - Google Patents

Ｘ線又はガンマ線放射を発する原子種を識別するための方法及びデバイス Download PDF

Info

Publication number
JP2022533815A
JP2022533815A JP2021565764A JP2021565764A JP2022533815A JP 2022533815 A JP2022533815 A JP 2022533815A JP 2021565764 A JP2021565764 A JP 2021565764A JP 2021565764 A JP2021565764 A JP 2021565764A JP 2022533815 A JP2022533815 A JP 2022533815A
Authority
JP
Japan
Prior art keywords
ray
neural network
convolutional neural
spectrum
gamma
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2021565764A
Other languages
English (en)
Other versions
JP7545415B2 (ja
Inventor
リムーザン，オリビエ
ダニエル，ジェフリー
マイヤー，ダニエル
Original Assignee
コミサリヤ・ア・レネルジ・アトミク・エ・オ・エネルジ・アルテルナテイブ
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by コミサリヤ・ア・レネルジ・アトミク・エ・オ・エネルジ・アルテルナテイブ filed Critical コミサリヤ・ア・レネルジ・アトミク・エ・オ・エネルジ・アルテルナテイブ
Publication of JP2022533815A publication Critical patent/JP2022533815A/ja
Application granted granted Critical
Publication of JP7545415B2 publication Critical patent/JP7545415B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16—Measuring radiation intensity
    • G01T1/169—Exploration, location of contaminated surface areas
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/36—Measuring spectral distribution of X-rays or of nuclear radiation spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16—Measuring radiation intensity
    • G01T1/167—Measuring radioactive content of objects, e.g. contamination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Measurement Of Radiation (AREA)

Abstract

シーンにおいてＸ線又はガンマ線放射を発する発光種（Ｓ１～ＳＮ）を識別するための方法であって、前記放射のスペクトルが、複数の畳み込みニューラルネットワークの第１のセット（ＣＢＮＮ＿ＩＤ）の入力として供給され、前記第１のセットの各畳み込みニューラルネットワークは、識別対象の少なくとも１つの原子種と関連付けられており、シーンにおける前記原子種の存在の有無を示す少なくとも１つの出力（ＣＳ）を有する方法。有利な点として、複数の畳み込みニューラルネットワークの第２のセット（ＣＢＮＮ＿ＰＲＯ）により、シーンから発出されるＸ線又はガンマ線放射に存在する各発光種の信号の割合を決定することが可能になる。このような方法を実装するためのデバイスもまた開示されている。

Description

本発明は、Ｘ線又はガンマ線放射を発する発光種を識別するための、そして優先的には、放射に対するそれぞれの種の寄与を定量的に決定するための方法及びデバイスに関する。本発明は、核計装の技術分野、より具体的には、Ｘ線及びガンマ線分光学の技術分野に関する。
本発明は、サンプル中又は環境においてＸ線蛍光を示す放射性核種及び／又は原子種を識別することが必要な場合、すなわち、放射化学分析、化学分析及び放射化学分析、除染、並びに核施設の解体等に適用される。
Ｘ線又はガンマ線放射は、１００ｅＶよりも大きいエネルギーの電磁放射であると理解され、より詳細には、本発明の文脈では、焦点が約２ｋｅＶから２ＭｅＶの間にあるエネルギーの放射上にある。Ｘ線放射とガンマ線放射との間の区別は、放射の性質に基づくのではなく、その起源に基づく。すなわち、Ｘ線放射は、電子的な起源（典型的には、内部エネルギーのレベルに関与する電子遷移）を有し、一方、ガンマ線は核を起源とする。また、本発明は、Ｘ線蛍光スペクトルに基づいて、必ずしも放射性でないガンマ線放射スペクトル及び原子種から、放射性核種（同位体）を識別することも可能にする。Ｘ線蛍光スペクトルから識別可能な原子種、及びガンマ線スペクトルから識別可能な放射性核種は、合わせて「発光種」という表現によって示される。以下に、発光種が放射性核種である場合をより具体的に検討するが、特に明記しない限り、記載されていることはすべて、Ｘ線発光体にも適用することができる。
ガンマ線放射に基づいて放射性核種を識別するための従来の方法は、主として、検出器の取得から引き出されたスペクトルの光電ピークを抽出するか、又はスペクトルの対象となるゾーンを調べるか、に基づく。例えば、（Ｌｕｔｔｅｒ ２０１８）を参照されたい。このタイプの方法では、対象となる放射性核種（ガンマ線ライン又はＸ線ライン）に特徴的なスペクトルシグニチャをガウスモジュール及び連続背景に当て嵌め、そこから、エネルギーの観点でのそれらの位置を推定する。スペクトルに存在する１つ又は複数のピークを放射性同位体の核ラインの一覧表と（又は異なる元素のＸ線蛍光ラインと）同時に比較することで、それらを識別することができる。これらの方法には、スペクトルの対象となるゾーンの識別を専門家頼みにしなければならないという短所がある。さらに、これらの方法は、識別対象のピークを明確に示すためには、十分な光子統計量が必要である。スペクトルの連続背景（コンプトン背景）に含まれている情報が失われる。
このような方法には、人工知能技術、とりわけ、ニューラルネットワークを伴う場合がある。早くも１９９５年には（Ｖｉｇｎｅｒｏｎ １９９５）、「多層パーセプトロン」タイプのニューラルネットワークを用いてガンマ放射ピークを分析して、ウラン濃縮率を決定することが提案された。さらに最近では、「多層パーセプトロン」タイプのニューラルネットワークは、混合物中の放射性核種の識別に適用され（Ｙｏｓｈｉｄａ ２００２）、また定量的放射化学分析に適用された（Ｍｅｄｈａｔ ２０１２）。しかしながら、人工知能技術を使用しても、これらの手法の短所をすべて、とりわけ、スペクトルの分析対象領域を決定するために前処理を行う「専門家」が必要であることを克服することは可能ではない。
他の技術では、専門家による前処理を必要とせずにスペクトルをすべて分析することが可能になる。
例えば、（Ｏｌｍｏｓ １９９１）は、ニューラルネットワークを使用して、混合物によって発せられるガンマ線放射スペクトル全体に基づいて混合物中の放射性核種を識別することを提案している。この論文は、実際に使用されるニューラルネットワークのタイプを明示しておらず、さらに、必要とされる信号レベルは、比較的高いものでなければならない（主発光ピークのみで約１０４個の光子を検出）。
（Ｂｏｂｉｎ ２０１６）は、「スパイキングニューラルネットワーク」を使用して、混合物が発するガンマ線放射スペクトルに基づいて混合物中の放射性核種の割合を決定している。この方法は、ソースのスペクトルの正確なモデルが必要であり、構成の変化（放射の減衰／散乱の速度の変動）にロバストではない。さらに、この方法では、放射性核種を識別することが可能にならず、また、低い割合で見つかった原子種が存在しないのか、又は低い割合で現実に存在しているのかを知ることも可能ではない。
（Ｋａｍｕｄａ ２０１７）は、合成データで訓練されたパーセプトロンタイプのニューラルネットワークを使用して、ソースによって発せられたガンマ線放射に寄与するそれぞれの放射性核種の割合を決定している。本来、この方法は、限定的な数（例えば、４個）の別個の放射性核種だけの識別を可能にするものである。
（Ａｂｄｅｌ－Ａａｌ １９９７）は、アブダクションによるＡＩＭタイプのニューラルネットワークを使用して、関心領域が自動的に識別される分解能の低いスペクトルに基づいて複数個のソースの相対強度を決定している。（Ｂｏｂｉｎ ２０１６）の場合のように、低い割合で見つかった原子種は、存在しないのか、又は低い割合で現実に存在しているのかを知ることは可能ではない。
米国特許出願公開第２０１９／０３４７８６号明細書には、放射性核種の検出又は識別に多層パーセプトロンを使用することが、大まかに、ほとんど詳細の説明なしに開示されている。パーセプトロンは、複数個の出力を有することができ、それぞれが発光種、又は発光種のグループに対応している。
中国特許出願公開第１０９ ０６３ ７４１号明細書にも、放射性核種の検出又は識別にニューラルネットワークを使用することが開示されている。より具体的には、この特許文献には、ニューラルネットワークを適用する前に、ヒルベルト曲線を用いてスペクトルを二次元画像に変換することが開示されている。
米国特許出願公開第２０１９／０３４７８６号明細書 中国特許出願公開第１０９ ０６３ ７４１号明細書
（Ｌｕｔｔｅｒ ２０１８）Ｇ．Ｌｕｔｔｅｒ，Ｍ．Ｈｕｌｔ，Ｇ．Ｍａｒｉｓｓｅｎｓ，Ｈ．Ｓｔｒｏｈ，Ｆ．Ｔｚｉｋａ‘‘Ａ ｇａｍｍａ－ｒａｙ ｓｐｅｃｔｒｏｍｅｔｒｙ ａｎａｌｙｓｉｓ ｓｏｆｔｗａｒｅ ｅｎｖｉｒｏｎｍｅｎｔ’’Ａｐｐｌｉｅｄ Ｒａｄｉａｔｉｏｎ ａｎｄ Ｉｓｏｔｏｐｅｓ １３４（２０１８）：２００－２０４． （Ｖｉｇｎｅｒｏｎ １９９５）Ｖ．Ｖｉｇｎｅｒｏｎ，Ｊ．Ｍｏｒｅｌ，Ｍ．－Ｃ．Ｌｅｐｙ，Ｊ．－Ｍ．Ｍａｒｔｉｎｅｚ‘‘Ｓｔａｔｉｓｔｉｃａｌ ｍｏｄｅｌｌｉｎｇ ｂｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｉｎ ｇａｍｍａ－ｓｐｅｃｔｒｏｍｅｔｒｙ’’Ｃｏｎｆｅｒｅｎｃｅ ａｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｒａｄｉｏｎｕｃｌｉｄｅ Ｍｅｔｒｏｌｏｇｙ（１９９５）． （Ｙｏｓｈｉｄａ ２００２）Ｅ．Ｙｏｓｈｉｄａ，Ｋ．Ｓｈｉｚｕｍａ，Ｓ．Ｅｎｄｏ，Ｔ．Ｏｋａ‘‘Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｔｈｅ ａｎａｌｙｓｉｓ ｏｆ ｇａｍｍａ－ｒａｙ ｓｐｅｃｔｒａ ｍｅａｓｕｒｅｄ ｗｉｔｈ ａ Ｇｅ ｓｐｅｃｔｒｏｍｅｔｅｒ’’Ｎｕｃｌｅａｒ Ｉｎｓｔｒｕｍｅｎｔｓ ａｎｄ Ｍｅｔｈｏｄｓ ｉｎ Ｐｈｙｓｉｃｓ Ｒｅｓｅａｒｃｈ Ａ ４８４（２００２）． （Ｍｅｄｈａｔ ２０１２）Ｍ．Ｅ．Ｍｅｄｈａｔ‘‘Ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ ｍｅｔｈｏｄｓ ａｐｐｌｉｅｄ ｆｏｒ ｑｕａｎｔｉｔａｔｉｖｅ ａｎａｌｙｓｉｓ ｏｆ ｎａｔｕｒａｌ ｒａｄｉｏａｃｔｉｖｅ ｓｏｕｒｃｅｓ’’，Ａｎｎａｌｓ ｏｆ Ｎｕｃｌｅａｒ Ｅｎｅｒｇｙ ４５（２０１２）． （Ｏｌｍｏｓ １９９１）Ｐ．Ｏｌｍｏｓ，Ｊ．Ｃ．Ｄｉａｚ，Ｊ．Ｍ．Ｐｅｒｅｚ，Ｐ．Ｇｏｍｅｚ，Ｖ．Ｒｏｄｅｌｌａｒ，Ｐ．Ａｇｕａｙｏ，Ａ．Ｂｒｕ，Ｇ．Ｇａｒｃｉａ－Ｂｅｌｍｏｎｔｅ，Ｊ．Ｌ．ｄｅ Ｐａｂｌｏｓ‘‘Ａ Ｎｅｗ Ａｐｐｒｏａｃｈ ｔｏ Ａｕｔｏｍａｔｉｃ Ｒａｄｉａｔｉｏｎ Ｓｐｅｃｔｒｕｍ Ａｎａｌｙｓｉｓ’’ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ Ｏｎ Ｎｕｃｌｅａｒ Ｓｃｉｅｎｃｅ，Ｖｏｌ．３８，Ｎｏ．４（１９９１）． （Ｂｏｂｉｎ ２０１６）Ｃ．Ｂｏｂｉｎ，Ｏ．Ｂｉｃｈｌｅｒ，Ｖ．Ｌｏｕｒｅｎｃｏ，Ｃ．Ｔｈｉａｍ，Ｍ．Ｔｈｅｖｅｎｉｎ‘‘Ｒｅａｌ－ｔｉｍｅ ｒａｄｉｏｎｕｃｌｉｄｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｉｎ γ－ｅｍｉｔｔｅｒ ｍｉｘｔｕｒｅｓ ｂａｓｅｄ ｏｎ ｓｐｉｋｉｎｇ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ’’Ａｐｐｌｉｅｄ Ｒａｄｉａｔｉｏｎ ａｎｄ Ｉｓｏｔｏｐｅｓ １０９（２０１６）４０５－４０９（２０１６）． （Ｋａｍｕｄａ ２０１７）：Ｍ．Ｋａｍｕｄａ，Ｊ．Ｓｔｉｎｎｅｔｔ，Ｃ．Ｊ．Ｓｕｌｌｉｖａ‘‘Ａｕｔｏｍａｔｅｄ Ｉｓｏｔｏｐｅ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ Ｕｓｉｎｇ Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ’’ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ Ｏｎ Ｎｕｃｌｅａｒ Ｓｃｉｅｎｃｅ，Ｖｏｌ．６４，Ｎｏ．７（２０１７）． （Ａｂｄｅｌ－Ａａｌ １９９７）Ｒ．Ｅ．Ａｂｄｅｌ－Ａａｌ，Ｍ．Ｎ．Ａｌ－Ｈａｄｄａｄ‘‘Ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｒａｄｉｏｉｓｏｔｏｐｅｓ ｉｎ ｇａｍｍａ－ｒａｙ ｓｐｅｃｔｒｏｓｃｏｐｙ ｕｓｉｎｇ ａｂｄｕｃｔｉｖｅ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ’’Ｎｕｃｌｅａｒ Ｉｎｓｔｒｕｍｅｎｔｓ ａｎｄ Ｍｅｔｈｏｄｓ ｉｎ Ｐｈｙｓｉｃｓ Ｒｅｓｅａｒｃｈ Ａ ３９１（１９９７）．
本発明は、上述した先行技術の短所を克服することを目的とする。より詳細には、本発明は、混合物のＸ線又はガンマ線スペクトルに基づいて、混合物中の任意の数の発光原子種を識別できるようにするとともに、シーンの構成（環境に存在するソースと、分光検出器との間の吸収材又は散乱材の存在）に関係なく、且つ、スペクトルの関心領域の識別を含む複雑化された前処理なしに、これを行うことを目的とする。
有利な点として、さらに、本発明は、発光種のそれぞれが存在する確率、そして優先的には、この確率の不確実性を決定することを目的とする。
有利な点として、さらに、本発明は、識別された各ソースの信号における割合を決定し、この割合に不確実性を与えることを目的とする。
有利な点として、さらに、本発明は、検出された各事象のエネルギーを事象ごとに測定し、復元することが可能であるか、又は最低限、測定されたエネルギーのスペクトルを供給することが可能であるという条件で、異なるタイプの分光検出器（ＣｄＴｅ、ＣｄＺｎＴｅ、ＨｇＩ２、ＮａＩ、ＨＰＧｅ、又はｋｅＶからＭｅＶのエネルギー帯域内で動作する任意のタイプのガンマ線スペクトロメータ、等）を使用可能にすることを目的とする。
有利な点として、さらに、本発明は、長時間にわたる複雑精緻なエネルギー較正動作の回避を可能にし、検出器及び動作条件の経時的ないずれかのドリフトを克服することを目的とする。理想的な点として、誤差が２％のオーダーの工場較正であれば、発光種を識別し、必要に応じて、それらの割合を決定するのに十分なはずである。
本発明の１つの態様によれば、これらの目的のうちの少なくともいくつかは、それぞれが単一の発光種を識別する役目を担う畳み込みタイプの複数のニューラルネットワークを使用することにより、実現される。変形例として、より詳細に後述するように、各ニューロンは、発光種の別個のグループを識別する役目を担うことができるようになる。
本発明の別の態様によれば、これらの目的のうちの少なくともいくつかは、それぞれが単一の、すでに識別された発光種（又は発光種のグループ）の割合を決定する役目を担う畳み込みタイプの第２の複数のニューラルネットワークを使用することにより、実現される。
本発明の別の態様によれば、これらのニューラルネットワークは、合成スペクトルデータで訓練される。
本発明の別の態様によれば、発光種を識別するためのニューラルネットワークに入力として供給されるスペクトルは、前もって対数スケールに変換される。
本発明の別の態様によれば、各発光種の存在の不確実性のレベル、及び必要に応じて各発光種の割合の不確実性のレベルを決定するために、「ドロップアウト（ｄｒｏｐｏｕｔ）」演算（内部層のニューロンの一部をランダムにオフに切り替えること）が、これらのニューラルネットワークに適用される。
本発明の別の態様によれば、異なるニューラルネットワークはそれぞれ、例えば、「ソフトマックス」タイプの活性化関数を使用する、相補的な出力のニューロンのペアを有する。
本発明の別の態様によれば、発光種が識別された後に、この情報を使用して、検出器のエネルギー「自己較正」を実行する。
したがって、本発明の主題の１つは、シーンにおいてＸ線又はガンマ線放射を発する発光種を識別するための方法であって、以下のステップ、すなわち、
ａ）分光検出器を用いて、シーンから発出されるＸ線又はガンマ線放射のスペクトルを取得するステップと、
ｂ）取得したスペクトルに、少なくとも１つの正規化を含む第１のデータ変換演算を適用するステップと、
ｃ）複数の畳み込みニューラルネットワークの第１のセットであって、第１のセットの各畳み込みニューラルネットワークが、識別対象のそれぞれの発光種、又は識別対象の発光種のそれぞれのグループと関連付けられており、及び、少なくとも１つの出力を有する前記第１のセットの入力として変換されたスペクトルを供給するステップと、
ｄ）第１のセットのそれぞれの畳み込みニューラルネットワークごとに、対応する発光種、又は対応する発光種のグループが、前記出力又は複数の出力の関数としてシーンに存在するかどうかを決定するステップと、を含み、
ステップａ）～ｄ）が、信号処理回路を用いて実装されている方法である。
本発明の別の主題は、プログラムがコンピュータによって実行されると、コンピュータに、ステップｂ）及びこのような方法の後続のステップを実装させる命令を含むコンピュータプログラム製品である。
本発明のさらに別の主題は、シーンにおいてＸ線又はガンマ線放射を発する発光種を識別するためのデバイスであって、
－ 分光検出器によって生成された信号を処理する信号処理回路であって、
－ 前記検出器から、一連の事象であって、それぞれが前記分光検出器によって検出されたＸ線又はガンマ線光子のエネルギー値を表す物理量と関連付けられている事象を取得するように、
－ 較正パラメータのセットに依存する較正関数を適用することによって、前記一連の事象をＸ線又はガンマ線放射のエネルギースペクトルに変換するように、
－ Ｘ線又はガンマ線放射のエネルギースペクトルに、少なくとも１つの正規化を含む第１のデータ変換演算を適用するように、
－ こうして変換されたスペクトルを、複数の畳み込みニューラルネットワークの第１のセットであって、第１のセットの各畳み込みニューラルネットワークが、それぞれの発光種、又は発光種のそれぞれのグループと関連付けられており、及び、少なくとも１つの出力を有する前記第１のセットの入力として供給するように、並びに、
－ 第１のセットのそれぞれの畳み込みニューラルネットワークごとに、対応する発光種、又は対応する発光種のグループが、前記出力又は複数の出力の関数としてシーンに存在するかどうかを決定するように、
構成されているか、又はプログラムされている前記回路を含むデバイスである。
このようなデバイスの特定の実施形態によれば、
放射線検出器によって生成された信号を処理する信号処理回路は、
－ Ｘ線又はガンマ線放射のエネルギースペクトルに、少なくとも１つの正規化を含む第２のデータ変換演算を適用するように、
－ こうして変換されたスペクトルを、複数の畳み込みニューラルネットワークの第２のセットであって、第２のセットの各畳み込みニューラルネットワークが、シーンに存在していると決定されており、及び、少なくとも１つの出力を有する１つ又は複数のそれぞれの発光種と関連付けられている前記第２のセットの入力として供給するように、並びに、
－ 第２のセットのそれぞれの畳み込みニューラルネットワークごとに、種の信号の割合、又は対応する発光種の信号の割合を、前記スカラー出力又はスカラー出力のペアの関数として決定するように、
構成するか、又はプログラムすることもまた可能である。
放射線検出器によって生成された信号を処理する信号処理回路は、取得されたスペクトルと、シーンに存在していると決定された発光種の関数として計算された理論上のスペクトルとの間の相関関数を最大化することによって、前記較正パラメータの最適値を決定するように、構成するか、又はプログラムすることもまた可能である。
各畳み込みニューラルネットワークは、単一のそれぞれの発光種と関連付けることができる。
各畳み込みニューラルネットワークは、相補的な出力ニューロンのペアを含むことができる。
検出されたＸ線又はガンマ線光子は、２ｋｅＶから２ＭｅＶの間にある範囲の少なくとも一部の範囲内のエネルギーを示す可能性がある。
デバイスは、前記分光検出器（ＳＰＭ）を含むこともまた可能である。
添付の図面は、本発明を図示するものである。
本発明の一実施形態によるデバイスのブロック図である。 本発明によるデバイス及び／又は方法で使用することが可能な畳み込みニューラルネットワークを表現したものである。 本発明の一実施形態による方法のフロー図である。 Ｘ線又はガンマ線放射スペクトルの一例である。 図４の放射を生じさせる原子種の識別を図示する。 これらの原子種の割合の決定を図示する。 単一の出力ではなく２つの相補的な出力を有するニューラルネットワークの使用によって付与される利点を図示する。 単一の出力ではなく２つの相補的な出力を有するニューラルネットワークの使用によって付与される利点を図示する。 単一の出力ではなく２つの相補的な出力を有するニューラルネットワークの使用によって付与される利点を図示する。 単一の出力ではなく２つの相補的な出力を有するニューラルネットワークの使用によって付与される利点を図示する。 単一の出力ではなく２つの相補的な出力を有するニューラルネットワークの使用によって付与される利点を図示する。 単一の出力ではなく２つの相補的な出力を有するニューラルネットワークの使用によって付与される利点を図示する。 原子種を識別し、放射に対するそれらの寄与を定量化するための別々のニューラルネットワークの使用によって付与される利点を図示する。 原子種を識別し、放射に対するそれらの寄与を定量化するための別々のニューラルネットワークの使用によって付与される利点を図示する。 原子種を識別し、放射に対するそれらの寄与を定量化するための別々のニューラルネットワークの使用によって付与される利点を図示する。
図１のデバイスは、Ｘ線又はガンマ線放射の分光検出器（すなわち、検出された光子のエネルギーを感知可能な検出器）と、放射線検出器によって生成された信号を処理するための信号処理回路ＣＴＳと、を含む。
分光検出器ＳＰＭは、好ましくはピクセル処理された感応素子ＥＳと、アナログ読み取り回路ＥＬと、アナログ－デジタル変換器ＡＤＣと、を含む。
分光検出器は、活量Ａｉ（Ａ１．．．ＡＮ）の様々な放射性核種（又はＸ線蛍光の放射を発する原子種）であるＳｉ（Ｓ１．．．ＳＮ）が存在するシーンＳＣから発出される光子を取得するが、その正体及び相対的な存在量が先験的に不明であり、検出器から異なる距離に位置している可能性がある。吸収材又は散乱材ＡＢＳは、１つ又は複数のソースと検出器との間に位置している可能性がある。放射性核種Ｓｉはそれぞれ、エネルギーＥｋ，ｉを有する光子Ｐｉを発する。例えば、Ｐ１（Ｅｋ，１）を使用して、第１の放射性核種Ｓ１によって発せられたエネルギーＥｋ，１の光子を表示する。
感応素子ＥＳは、２ｋｅＶ～２ＭｅＶのスペクトル範囲の少なくとも一部の範囲内のシーンから発出されるＸ線／ガンマ線光子を検出するのに適した任意のタイプとすることができる。感応素子は、例えば、Ｓｉ、Ｇｅ、ＣｄＴｅ、等からなる半導体ピクセル、シンチレーションセンサ、ペロフスカイトセンサ、等とすることができる。
感応素子は、概して電気的な、受信した各Ｘ線又はガンマ線光子のエネルギーを表す物理量（通常は、電荷がそのエネルギーに比例する電流パルス）の形で信号を生成する。電子読み取り回路ＥＬは、感応素子から入来する信号の従来のアナログ前処理、すなわち、増幅、パルス波形整形、その高さ又はエネルギーの検出を実行する。読み取り電子機器から入来するアナログ信号ＳＡは、変換器ＡＤＣによってデジタル形式に変換される。
好ましくは、光子は１つずつ検出され、それらのエネルギーは検出器によって記録され、日付が刻印される。この情報は、変換器ＡＤＣからのデジタルデータストリームＦＤＮに含まれ、処理回路ＣＴＳに送信される。この処理回路は、埋め込むこともできるし、又は遠隔とすることもできる。遠隔とする場合、分光検出器と処理回路との間に遠隔通信リンクを確立しなければならない。
信号処理回路は、適切にプログラムされた、信号のデジタル処理用の１つ又は複数の包括的なプロセッサ又は専用のプロセッサを含むことができる。変形例として、又は追加例として、信号処理回路は、専用のデジタル回路を含むことができる。さらに、大まかに言えば、信号処理回路は、処理対象のデータ（とりわけ、分光検出器によって生成された事象）を格納するためのランダムアクセスメモリと、較正パラメータ、ニューラルネットワーク係数、等を格納するためのランダムアクセスメモリ及び／又は読み取り専用メモリと、を含む。概して、本発明は、特定の信号処理回路生産技術に限定されない。この回路についての以下の説明では、ブロック及びモジュールへの分類は、純粋に機能上のものであり、これらのブロック及びモジュールは、必ずしも別個の物理的要素に対応しない。
図１の実施形態では、信号処理回路ＣＴＳは、３つのモジュール、すなわち、ソース識別モジュールＩＤと、訓練モジュールＡＰＰと、自己較正モジュールＡＥと、を含む。他の実施形態では、訓練モジュールが存在しない場合があり、その場合には、識別モジュールのニューラルネットワークの訓練は別のデバイスを用いて実行され、学習されたニューラルネットワークの係数が、発光種を識別するためのデバイスに転送されるだけである。他の実施形態では、自己較正モジュールが存在しない場合があるが、それは、前もって正確な較正が（例えば、計測学実験室で）行わなければならないことを意味し、予防措置を講じて、分光検出器の応答におけるドリフトを最小限にすることが必要になる。
分光検出器からのデジタルデータストリームＦＤＮは、回路ＣＴＳの識別モジュールによって受信され、事象メモリＭＥＶに格納される。スペクトル構築モジュールＭＣＳは、メモリに格納された較正表ＴＥを使用して、これらの事象をスペクトルに変換し、これにより、光子エネルギーを各検出事象と関連付けることが可能になる。前もって確立されたこの較正表は、比較的不正確である可能性があり、エネルギー値の誤差が２％にもなる可能性がある。以下で詳細に説明するように、自己較正モジュールＡＥにより、較正表を更新して、その精度を向上させることが可能になる。ピクセル処理された検出器の場合には、較正が１ピクセルずつ、それぞれのピクセルごとに異なる較正表を用いて行われる。
各スペクトルは、実際には、エネルギーヒストグラムであり、エネルギー値は各事象に起因する。事象は、エネルギークラス（「ビン（ｂｉｎ）」）にグループ分けされ、スペクトルは、各クラスに属する事象の数で構成される。したがって、「スペクトル」とは、所与の時間間隔にわたって検出された光子のスペクトル分布を意味すると理解され、その期間は、ユーザが設定又は選択することができる。
次いで、データ変換モジュールＭＴＤが、スペクトル前処理演算を実行する。本明細書で検討する実施形態では、２つの別個の前処理演算が実行される。
一方において、取得された各スペクトルは、対数スケールに変換され、次いで、正規化される。こうして変換されたスペクトル、ＳＮｌｏｇは、発光種の識別に使用される。より詳細には、Ｓｉは、ｉ番目のエネルギークラスにおける事象の数であるとする。第１の演算を適用する。
Figure 2022533815000002
次いで、正規化されたスペクトルを以下のように計算する。
Figure 2022533815000003
対数スケールの使用により、低振幅のスペクトル構造を明らかにすることが可能になるが、それは、発光種の識別に有効に寄与する。
他方において、スペクトルもまた、対数変換せずにノルム１（各エネルギークラスと関連付けられた値の合計が１になるようにすること）に正規化される。こうして変換されたスペクトル、ＳＮ１は、
Figure 2022533815000004
 により得られ、識別された発光種の割合を決定するために使用される。
もっと大まかには、前処理はスケール変換とすることができる。すべての場合において、また中国特許出願公開第１０９ ０６３ ７４１号明細書の教示に反して、データの次元数の変化がなく、前処理するスペクトルは一次元のままである。
スペクトルＳＮｌｏｇは、複数の「ベイジアン（Ｂａｙｅｓｉａｎ）」畳み込みニューラルネットワークＭ個を実装するモジュールＣＢＮＮ＿ＩＤに入力として供給され、ニューラルネットワークはそれぞれ、すべてのスペクトルを入力として取り込み、その出力で、特定の放射性核種（指数「ｊ」によって識別される）のシーンに存在する確率を示す値ＰＰｊ、及びその確率の信頼度のレベルを供給する。したがって、識別可能であることが望まれるそれぞれの発光種ごとに、別個のニューラルネットワークが存在する。これらのベイジアン畳み込みニューラルネットワークの構造及び演算について、以下でより詳細に説明することにする。
閾値処理モジュールＭＳを使用して、どの発光種が事実上シーンに存在すると見なされるかを決定する。そのために、閾値処理モジュールは、存在の確率、及び場合によっては、その不確実性のレベルを考慮に入れる。
したがって、識別モジュールの出力では、シーンに存在する発光種のリストＬＥＡが得られる。
ノルム１に正規化されたスペクトルＳＮ１は、それぞれが特定の放射性核種に対応する複数の「ベイジアン」畳み込みニューラルネットワークを実装するモジュールＣＢＮＮ＿ＰＲＯに入力として供給される。すでにシーンに存在していると識別された放射性核種「ｊ」に対応するモジュールＣＢＮＮ＿ＰＲＯの各ニューラルネットワークは、すべてのスペクトルを入力として取り込み、その出力で、記録された信号中のこの放射性核種の割合、及びこの割合の信頼度のレベルを示す値ＰＲＯｊを供給する。言いかえれば、値ＰＲＯｊは、放射性核種「ｊ」に起因する可能性がある記録された光子のパーセンテージに対応する（言葉の誤用により、「シーンにおける放射性核種「ｊ」の割合」という表現は、もっと単純に用いられているが、まったく同じであるのは、特定の状態、すなわち、すべての発光体が検出器から同じ距離にあり、同じ吸収材／散乱材が存在する状態である場合においてのみである）。したがって、それぞれの原子種ごとに別個のニューラルネットワークが存在する。これらのニューラルネットワークは、発光種の識別に使用されるものと同じタイプのものとすることができる。
したがって、識別モジュールの出力では、識別された原子種の割合のリストＬＰもまた取得される。
モジュールＣＢＮＮ＿ＩＤ及びＣＢＮＮ＿ＰＲＯのニューラルネットワークは、事前に、訓練モジュールＡＰＰによって生成された合成データベースＢＤＳ、すなわち、シミュレーションデータからの教師あり訓練によって訓練されている。訓練により、割合を識別し、決定するためのニューラルネットワークを特徴付けするＰＲＮ＿ＩＤ及びＰＲＮ＿ＰＲＯという２つのパラメータのデータベースが作成され、メモリに格納される。
合成スペクトルは、モンテカルロシミュレータ（Ｍｏｎｔｅ－Ｃａｒｌｏ ｓｉｍｕｌａｔｏｒ：図１のブロックＳＳ）によって生み出され、これにより、検出器内及び検出器の直接的な環境における光子－材料間の相互作用と、有利な点として、任意の背景ノイズと、をシミュレーションすることが可能になる。次いで、それぞれの光子ごとに、検出器の応答、すなわち、電子－正孔ペアの生成時の統計変動によるエネルギー分解能、検出器の電子ノイズ及び電荷の損失によるエネルギー分解能を適用する必要がある（ブロックＲＤ）。これは、必要なだけの数のソースを含む、対象となるソースの所与のリストに対して一度だけ適用される物理モデルである。
各発光原子種は、独立してシミュレーションされ、シミュレーションデータは、各光子によって分光検出器に蓄積されたエネルギーを与える事象のリストの形で復元される。次に、異なる放射性元素からなる混合物が、やはり合成的に生成され（ＭＩＸブロック）、そのために、混合物のそれぞれの放射性元素ごとにシミュレーションされたエネルギーリストのエネルギーが、異なる統計量及び異なる割合でランダムに引き出される。各発光原子種に起因する光子の割合が記録される。
次いで、意図的な「非較正化（ｄｅｃａｌｉｂｒａｔｉｏｎ）」を適用して、ニューラルネットワークが較正法則のドリフトの影響を学習するようにする。ゲインｇは、１を中心とした標準偏差σｇａｉｎのガウスで引き出され、同様に、オフセットｏｆｆは、０を中心とした標準偏差σｏｆｆのガウスで引き出される。次いで、同一の混合物のエネルギーＥのすべてに対して、新たな非較正化されたエネルギーＥｄが、次式によって計算される。
［数式３］
Ｅｄ＝ｇ（Ｅ－ｏｆｆ）
各ソース及びソースの混合物の複数個の非較正化合成スペクトルが、訓練に使用されるデータベースＢＤＳに記録される。
ブロックＡ＿ＩＤ１～Ａ＿ＩＤＭは、ブロックＣＢＮＮ＿ＩＤのＭ個の畳み込みニューラルネットワークの教師あり訓練アルゴリズムを実装し、及びそれぞれがこれらのニューラルネットワークを特徴付けしているＭ個のパラメータのセットを生成し、これらのパラメータは、上述したデータベースＢＤＮ＿ＩＤに格納される。同様に、ブロックＡ＿ＰＲＯ１～Ａ＿ＰＲＯＭは、ブロックＣＢＮＮ＿ＰＲＯのＭ個の畳み込みニューラルネットワークの教師あり訓練アルゴリズムを実装し、及びそれぞれがこれらのニューラルネットワークを特徴付けしているＭ個のパラメータのセットを生成し、これらのパラメータは、上述したデータベースＢＤＮ＿ＰＲＯに格納される。
分光検出器の自己較正のプロセスを実装するために、ブロックＳＳの合成のソースもまたモジュールＡＥによって使用される。ソースに存在する放射性核種及びそれらの割合（識別モジュールＩＤによって供給されたデータ）を知ることによって、これらの合成のソースを使用して、「予想」スペクトルを計算することが実際に可能である。次に、この予想スペクトルと、モジュールＭＣＳによって供給されたものとの間の相関関係を最大化する較正パラメータのセットを見つけるために、ブロックＥＣＣによって適合メッシュ又は遺伝的アルゴリズムタイプのアルゴリズムが使用される。これらのパラメータを使用して、モジュールＩＤによって使用される較正表を更新する。読み易くするために、ある特定のブロック（ＭＥＶ、ＭＣＳ、ＳＳ、ＴＥ）が、図１の複数箇所で表示されていることに留意されたい。
ブロックＥＣＣは、（Ｍａｉｅｒ ２０１６）に記載された相関関係によるエネルギー較正アルゴリズムを実装する。
この較正は、ユーザの介在を必要とせず、分析対象のシーンで、リアルタイムで実行される測定にのみ依拠する。
発光原子のソースの識別及びそれらの割合の決定に使用されるベイジアン畳み込みネットワークについて、ここで図２を用いて説明することにする。
それ自体は知られているように － 例えば、（Ａｌｏｙｓｉｕｓ ２０１７）を参照されたい － 畳み込みネットワークは、入力スペクトルの異なる特性の抽出を可能にする複数個の畳み込み層で構成された第１の部分と、多層パーセプトロン（この文献では、「全結合」層という表現もまた使用されている）からなる第２の部分と、を含む。
図１の実施形態では、入力は、２０００個のチャネルを含むスペクトルＳＰ０からなり、それぞれのチャネルは、それぞれのスペクトルバンド内のスペクトルのエネルギーを表す値である。
第１の畳み込み層ＣＣ１は、１６個の畳み込みニューロンを含む。各畳み込みニューロンは、以下の演算、すなわち、
－ データの次元を保存するためにゼロ充填を用いて、１６個の要素からなるカーネルを有する畳み込みフィルタによるフィルタリング
－ サイズ２の「最大プーリング」演算によるフィルタの出力の次元減少
－ バッチ正規化
－ 非線形活性化関数、この場合にはＲｅＬＵタイプの適用
を実行する。
サイズ２の最大プーリング演算には、スペクトルを取り込むことと、２つチャネルごとに大きい方のチャネル１つだけを保存することと、が含まれる。これにより、スペクトルの次元が２分の１に減少される。
バッチ正規化演算－それ自体は知られており、（Ｉｏｆｆｅ ２０１５）をされたい－には、バッチと呼ばれる部分集合中の訓練データベースからデータを収集し、（後述するように）バッチのそれぞれに訓練を反復して実行し、次いで、検討されるバッチに対応する各ニューロンの出力を平均及び分散で正規化することが含まれる。訓練が行われた後に、データベース全体にわたる正規化パラメータは保存されて、発光種の割合の識別及び決定にニューラルネットワークが使用されるときに、同じ正規化が適用される。
活性化関数ＲｅＬＵは、次式によって定義される。
ＲｅＬＵ（ｘ）＝ｍａｘ（０，ｘ）
したがって、第１の畳み込み層の出力は、１０００次元の特性ＳＰ１，０～ＳＰ１，１５の１６個のスペクトルからなる。これらのデータは、入力として第２の畳み込み層ＣＣ２に供給され、この層は、１０００次元のデータを演算すること以外、すべての点で第１の畳み込み層と同様である。
したがって、第２の畳み込み層の出力は、１０００次元の特性ＳＰ２，０～ＳＰ２，１５の１６個のスペクトルからなる。これらのデータは、入力として第３の畳み込み層ＣＣ３に供給され、この層は、５００次元のデータを演算すること以外、すべての点で最初の２つと同様であり、したがって、その出力は、２５０次元の特性ＳＰ３，０～ＳＰ３，１５の１６個のスペクトルからなる。
スペクトルは平坦化され、畳み込み層のように、ＲｅＬＵタイプの活性化関数を使用して、すべてが入力としてパーセプトロン層ＣＰの２０個のニューロンのそれぞれに供給される４０００個の要素のベクトルＳＰＡ４を形成する。
パーセプトロンの最後の層、すなわち出力層ＣＳは、優先的には、「ソフトマックス」タイプの活性化関数を有する２つのニューロンで構成されており、そこでは、ｘｉを使用して、活性化関数の前のニューロンの出力を表示している。
Figure 2022533815000005
 ｊは、２つの出力ニューロンを識別する指数である。
識別ネットワークの場合、出力層の第１のニューロンは、混合物中の放射性元素の存在の有無を表す０と１の間にある数を示し、一方、第２のニューロンは、第１のニューロンの数の補数である。
割合評価ネットワークの場合、第１のニューロンは、放射性元素の信号の割合に対応する０と１の間にある数を示し、一方、第２のニューロンは、その他のすべての要素の信号の割合に対応する。
２つの相補的な出力ニューロンの使用は、必須ではないが、図７Ａ～図７Ｆを用いて後述するように、有利である。
ニューラルネットワークのパラメータ又は係数（畳み込み層ＣＣ１、ＣＣ２及びＣＣ３のカーネル、パーセプトロン層のシナプスの重量）は、例えば、勾配降下法アルゴリズムを使用して、教師ありで学習される。例えば、図４～図６を参照して下記で論じる実施形態では、反復ごとに０．００１ずつ減少する訓練率０．０１で確率的勾配降下法アルゴリズムを使用し、モーメント０．９でネステロフのモーメント（Ｎｅｓｔｅｒｏｖ ｍｏｍｅｎｔ）を使用して、１０００例のバッチで１０回の反復にわたって訓練が実行されている。
より具体的には、この実施形態では、この識別ネットワークに対する訓練フェーズの間に使用され、最小化される費用関数は、以下のように定義されるバイナリクロスエントロピーである。
［数式６］
Ｌ（ｙｐｒｅｄ，ｙｒｅａｌ）＝ｙｒｅａｌ．ｌｏｇ（ｙｐｒｅｄ）＋（１－ｙｒｅａｌ）．ｌｏｇ（１－ｙｒｅａｌ）
式中、ｙｒｅａｌは、ニューロンが出力で有するはずの真値であり、ｙｐｒｅｄは、ネットワークによって予測される値である。
割合を評価するためのネットワークの訓練は、ノルム１に正規化された合成スペクトルで実行される。第１のニューロンによって予測される出力は、混合物中の放射性元素の割合であり、第２のニューロンによって予測される出力は、その他の放射性元素の割合である。
このネットワーク用に使用され、最小化される費用関数は、平均二次偏差である。
［数式５］
Ｌ（ｙｐｒｅｄ，ｙｒｅａｌ）＝（ｙｐｒｅｄ－ｙｒｅａｌ）２
２つの費用関数は、データベースのすべての例にわたる平均値によって評価される。
図２のニューラルネットワークの「ベイジアン」特徴は、中間層のニューロンの一部をランダムに「ドロップアウト」させることによって得られ（（Ｇａｌ ２０１６）を参照）、これは、ネットワークの訓練時及び使用中に等しく適用される。各ニューラルネットワークは、各入力スペクトルに複数回適用され、ニューロンがランダムにオフに切り換わるため、毎回異なる結果が返送され、その統計的分布は、発光原子種の識別及び／又はその割合に影響を与える不確実性について通知する。例えば、図４～図６を参照して後述する実施形態では、ニューロンのドロップアウト率は、各中間層で５０％であり、各ニューラルネットワークが１００回適用される。
図３は、上述した発光原子種を識別するための方法を概略的に図示する。
ステップａ）は、分光検出器ＳＰＭを用いたスペクトルの取得を含む。
ステップｂ）は、識別ニューラルネットワークの適用に先立つデータの変換、すなわち、本発明の好適な一実施形態において、スペクトルを対数スケールに変換し、それを正規化することを含む。
ステップｃ）は、好ましくはベイジアンである畳み込みニューラルネットワークを、ステップｃ）によって変換されたスペクトルに適用することを含む。
ステップｄ）は、識別ニューラルネットワークの出力の関数としてシーンに存在する発光種の識別を含む。
ステップｅ）は、割合ニューラルネットワークの適用に先立つデータの変換、すなわち、本発明の好適な一実施形態において、スペクトルをノルム１として正規化することを含む。
ステップｆ）は、好ましくはベイジアンである畳み込みニューラルネットワークを、ステップｅ）によって変換されたスペクトルに適用することを含む。
ステップｇ）は、ステップｄ）で割合ニューラルネットワークの出力の関数として識別された発光種の割合の決定を含む。
ステップｈ）は、ステップａ）の実装に使用される較正表を更新する自己較正に相当する。
事前のステップａｐｐ）は、ステップｃ）及びｆ）において使用されるニューラルネットワークの訓練に相当する。
方法は、発光種の識別だけが必要な場合には、ステップｃ）において停止することができ、自己較正を使用しない場合には、ステップｇ）においてさえ停止することができる。
半導体ベースのピクセル処理された分光撮像素子ＣｄＴｅ及びその最適化された読み取り回路を分光検出器として使用することにより、本発明を試験した（Ｇｅｖｉｎ ２０１２）。分光撮像素子は、８００μｍのピッチで２５６個のピクセルを含み、厚さが２ｍｍ、エネルギーダイナミックレンジが１ｋｅＶ～１ＭｅＶ、及びエネルギー分解能が０．７ｋｅＶ（中間高さでの全幅）～６０ｋｅＶである。
同じタイプだが、厚さが１ｍｍで、ピッチが６２５μｍの分光撮像素子を使用することにより、同様の結果が得られた。検出器を変更しても、ニューラルネットワークの再訓練さえも必要ではなく、このことは、本発明による識別方法のロバスト性を確認する。
分光撮像素子を真空チャンバに設置し、ペルティエモジュール（Ｐｅｌｔｉｅｒ ｍｏｄｕｌｅ）によって約－１５℃の温度に冷却し、３００Ｖ／ｍｍの偏波磁場にさらした。読み取り回路によって記録された信号は、インタフェースカードＣＩＦを介して、プログラム可能なデジタル回路Ｚｙｎｑに送信される。デジタル回路は、事象を格納し、それらを制御コンピュータに送信し、そこで分光識別プロセスが実行される。事象は、相互作用ピクセル、較正されていない蓄積エネルギー、及び相互作用の日付を含んだリストの形で返送される。すべてのピクセルの合計スペクトルは、実験室での１回だけの初期較正によって前もって決定された較正表を用いて事前に較正される（変形例として、取得チェーンの理論上の伝達関数を適用することも可能であろう）。
合成データは、検出器及びそのごく近隣の環境、つまり、検出器が含まれている構造をモデル化することによって、半解析的シミュレーションを使用して生成された。環境内及び検出器内の光子材料の相互作用をシミュレーションし、検出器内のエネルギーの蓄積だけでなく、それらの位置もまた記録した。Ｇｅａｎｔ４シミュレータを使用して、これらのシミュレーションを実行することもまた可能である。
それぞれのエネルギーの蓄積ごとに、統計的エネルギー変動は、蓄積エネルギーＥ０を中心とした標準偏差
Figure 2022533815000006
 のガウスにエネルギーを引き出すことにより、考慮に入れた。ここで、εｗ＝４．４２ｅＶは、ＣｄＴｅにおける電子－正孔ペアの生成エネルギーであり、Ｆ＝０．１５は、ＣｄＴｅのファノ因子である。
電荷の損失を考慮して、検出器の重み付けポテンシャルは、ポアソン方程式△Ｕｗ＝０を、有限差分解法を使用して検出器の円筒座標に置き換え、信号が誘起される電極では１に、その他の電極及びカソードでは０に設定するという制限条件で解くことによって計算した。シミュレーションドメインは、信号が誘起される電極の両側にある２つの電極まで拡張された。変形例として、有限要素解法を使用することも可能であった。次いで、電荷の損失ＣＣＥは、深さｚ０の関数として、ヘクト方程式
Figure 2022533815000007
 を使用して計算した。ここで、μｅτｅ＝１．１４．１０－３ｃｍ２．Ｖ－１、μｈτｈ＝３．３６．１０－４ｃｍ２．Ｖ－１、Ｌ＝２ｍｍであり、Ｖ０＝６００Ｖである。
相互作用深さｚ０でのエネルギーＥＣＣＥは、次式によって計算した。
Figure 2022533815000008
１Ｄだけでなく３Ｄでの検出器の電荷の損失を計算して、検出器の応答のより忠実なモデルを得ることもまた可能であったであろう。ただし、これはニューラルネットワークの訓練には必須ではない。
電子ノイズに関連する誤差は、ＥＣＣＥを中心としたガウスで記録された最終的なエネルギーを、ｒｍｓ＝５０ｅ－が電子ノイズに起因する電子ｒｍｓの数に対応する標準偏差σ＝εｗ ｒｍｓで引き出すことによって考慮に入れた。
原子種の混合物のリストを作成するために、それぞれが個々にシミュレーションされた放射性元素の事象の各リストで１０個から１０００万個の光子が引き出されるが、この引き出しは復元を用いて実行され、それは同じエネルギーを複数回引き出すことが可能であることを意味する。σｇａｉｎ＝０．００５５、且つ、σｏｆｆｓｅｔ＝０．５ｋｅＶとし、非較正化を実行した。このようにして、２０００００個の合成混合物が生成された。
合成スペクトルは、０～１ＭｅＶのエネルギーダイナミックレンジにわたる幅０．５ｋｅＶの２０００個のチャネルで構成されたヒストグラムを作ることによって得られた。
割合の識別及び決定に使用されるニューラルネットワークは、図２を参照して上記で説明した通りである。
図４は、５７Ｃｏ及び１３７Ｃｓを含む混合物に分光撮像素子を露出することによって得られた、（対数スケールに表現された）スペクトルを示す。検出された光子の数が、数千個のオーダーであり、比較的少ないことに留意されたい。
図５は、これらの核種だけでなく、シーンに存在しない他の核種（２４１Ａｍ、１３３Ｂａ、１５２Ｅｕ、２２Ｎａ）にも対応する複数個の識別ニューラルネットワークの出力値を図示する。より具体的には、各ニューラルネットワークが各繰り返しでニューロンの５０％をランダムにドロップアウトさせることによって１００回適用されると、出力の統計的分布が得られる。縦棒は中央値を表し、誤差箱は、第１及び第３の四分位数に相当し、誤差棒は、第１及び第９の十分位数に相当する。
検出閾値は中央値で０．５に設定されているが、これは識別ネットワークの出力が対応する発光種の存在の確率を表すと考えれば、当然のことである。出力の統計的ばらつきは、実際に存在する放射性核種の場合には無視できる程度であり、それ以外の場合には、偽陽性のリスクを生じさせない程度の低さであることに留意されたい。
図６は、５７Ｃｏ及び１３７Ｃｓの割合（より具体的には、検出された光子の総数に対するそれらの寄与）の統計的分布（中央値、並びに第１及び第９の十分位数に相当する誤差棒）を図示しており、対応する割合ニューラルネットワークを１００回適用し、毎回５０％のニューロンをドロップアウトさせることによって得られたものである。
図７Ａ～図７Ｆは、活性化関数がソフトマックスタイプの２つの相補的な出力を有するニューラルネットワークの使用によって得られた利点を図示する。これらの図では、実線の曲線は、検出された光子の数の関数としてのソフトマックス活性化関数の場合の良好な応答率（１：識別誤差がない）を表し、一方、破線の曲線は、シグモイド活性化関数を用いた単一出力ニューロンに対応する（ソフトマックス関数は単一出力ニューロンには使用することができず、常に１を返送することになる）。これらのグラフの各ポイントは、２５００のソースの混合物にわたる良好な応答の平均率に対応する。異なるグラフは、異なる放射性核種に対応している。すなわち、２４１Ａｍ（図７Ａ）、１３３Ｂａ（図７Ｂ）、２２Ｎａ（図３Ｃ）、１５２Ｅｕ（図７Ｄ）；１３７Ｃｓ（図７Ｅ）、５７Ｃｏ（図７Ｆ）である。
結果は、２４１Ａｍ及び１５２Ｅｕのソースの場合、１つの出力ニューロンを有するネットワークの性能レベルが、２つの出力ニューロンを有するネットワークの性能レベルと同等であることを示している。５７Ｃｏ及び２２Ｎａのソースの場合、相対的な性能レベルは、光子の数に依存し、２２Ｎａの場合、１つの出力ニューロンを有するネットワークの性能レベルが、２つの出力ニューロンを有するネットワークの性能レベルをほんのわずかだけ上回っている。最後に、１３３Ｂａ及び１３７Ｃｓの場合、２つの出力を有するニューラルネットワークが、単一出力を有するニューラルネットワークに優っている。
概して、少なくとも試験した構成では、２つの出力を有するニューラルネットワークを使用することが好ましく思われる。
すべての場合において、光子の数が１０３に達した時点で、良好な応答の率は０．９に近いか、又はそれよりも大きくなっていることに留意されたい。
本発明の重要な一態様は、発光種を識別するステップと、それらの割合を決定するステップとが分かれており、それらが別個のニューラルネットワークのセットによって実装されることである。
これにより、演算を前処理する異なるスペクトルを２つの演算に使用することが可能になる。識別の場合、「対数正規化」を使用することが好ましく、これにより、わずかな光子で構成される構造であっても、重要視することが可能になり、光子のエネルギーが増加すると、検出器内での光子の相互作用の確率が大幅に減少するため、特に興味深いことである。一方、割合を評価するためのネットワークの場合、本発明は、小さな構造を「無視する」線形正規化（ノルム１）を使用することが好ましい。このことは、信号中の各ソースの割合が、スペクトル中の各ソースの寄与に直線的に関連しているため、有利である。実験的に、割合の評価に「対数正規化」を使用しても、好結果が得られないことがわかった。
このことが、図８Ａ、図８Ｂ及び図８Ｃによって図示されている。
図８Ａのスペクトルを本発明の方法によって分析した。図８Ｂは、識別ネットワークにより、２４１Ａｍ及び５７Ｃｏの存在を確実に確認することが可能になることを示している。しかしながら、割合を評価するためのネットワークでは、５７Ｃｏの割合は０．７％、２４１Ａｍの割合は９９．３％となっている。
先行技術のある特定の方法のように、割合だけを決定していたのであれば、５７Ｃｏが極微量状態で現実に存在しているのか、それとも例えば、１３３Ｂａ、１３７Ｃｓ、及び２２Ｎａのように、現実には存在していないのかを知ることは不可能であったであろう。割合ネットワークとは異なる別個の識別ネットワークを使用することにより、低い割合ではあるが、５７Ｃｏが現実に存在することを明白に決定することが可能になる。
本発明の方法及びデバイスには、先行技術に優るいくつかの長所がある。
識別したいそれぞれのソースごとに別個のニューラルネットワークを使用することにより、識別可能な原子種の数を制限しないことが可能になる。さらに、全体的なアーキテクチャを変えずに新たなネットワークを追加し、パーセプトロン部分のみに再訓練を実行することによって、新たなソースの追加が可能になる。一方、畳み込み層では訓練をもう一度実行する必要はない。
変形例として、ニューラルネットワークを、複数の発光種、例えば、同様のスペクトルを示す種のファミリーと関連付けさせることが可能である。この場合、識別されるのは個々の種ではなく、種のグループ又はファミリーである。
畳み込みタイプのニューラルネットワークを使用すると、較正誤差（較正法則の一時的な不安定性、分光検出器によって変わる器具の応答）、及び構成の変化（ソースと、分光検出器又は検出器との間の吸収材又は散乱材の存在）に関して、データベースでこれらの問題を考慮に入れることにより、優れたロバスト性が得られる。さらに、光子統計量が少ないスペクトルの場合に、良好な性能レベル（ソースの混合物から発出される少なくとも１０００個の光子を含有するスペクトルで９０％を超える精度）で取り扱うことが可能になる。この方法は、特定のピークではなく、スペクトルの一般的な構造（ピーク、とりわけコンプトン構造（Ｃｏｍｐｔｏｎ ｓｔｒｕｃｔｕｒｅ））に焦点を当てている。
ベイジアンアプローチにより、各ソースが存在する確率の誤差を定量化することが可能になり、これにより、結果の妥当性、したがって自動分析に与え得る信頼度の程度についてユーザに通知される。
さらに、「専門家」による前処理は不要であり、精緻な較正が自動的に実行される。したがって、有資格の専門家を頼みとすることが大幅に減る。
上記で説明したように、識別するステップ、及び割合を決定するステップが分かれていることにより、原子種が存在しないのか、又は割合は低いが、確かに存在しているのかを確実に決定することが可能になる。
特定の実施形態に関して本発明を説明してきたが、多くの変形例を想定することができる。
例えば、ニューラルネットワークの構造に関しては、畳み込み層及びパーセプトロンタイプの数、活性化関数、データ整理方法、畳み込みカーネルのサイズ、等が、単なる例として挙げられる。それに加えて、すべてのニューラルネットワークが同一である必要はない。
他の教師あり学習技法を実装することができる。それに加えて、訓練に合成のソースを用いることは有利であるが、この代わりに、又はこれに加えて、実在のソースを使用することもまた可能である。
ニューラルネットワークの適用に先立つ他のデータ変換演算、とりわけ他の正規化技法を使用することができる。
測定値の不確実性に関する情報を必要としない場合には、ニューロンのランダムなドロップアウトを用いることは必須ではない。それに加えて、使用する場合、ランダムなドロップアウトは必ずしも中間層のすべてに関係する必要はない。
０．５で閾値選定する以外の判定基準を使用して、特に、偽陽性のリスク、又は逆に偽陰性のリスクを最小限にすることが好ましい場合、原子種が存在すると見なされるのか、又は存在しないと見なされるのかを決定することができる。
各ニューラルネットワークは、３つ以上の出力、例えば、発光種が存在する確率を示す出力を１つ、発光種が存在しない確率を示す出力を１つ、及び存在の有無が不確かな状況を示す出力を１つ有することができる。有利な点として、これらの出力は相補的である（すなわち、それらの合計が、所定の値、通常は１を取るということである）。出力の活性化関数は、ソフトマックスタイプとすることができるが、当業者は、他の可能性を想定することができる。
複数個の別個の分光検出器からのデータは、組み合わせることができる。
参考文献
（Ｌｕｔｔｅｒ ２０１８）Ｇ．Ｌｕｔｔｅｒ，Ｍ．Ｈｕｌｔ，Ｇ．Ｍａｒｉｓｓｅｎｓ，Ｈ．Ｓｔｒｏｈ，Ｆ．Ｔｚｉｋａ‘‘Ａ ｇａｍｍａ－ｒａｙ ｓｐｅｃｔｒｏｍｅｔｒｙ ａｎａｌｙｓｉｓ ｓｏｆｔｗａｒｅ ｅｎｖｉｒｏｎｍｅｎｔ’’Ａｐｐｌｉｅｄ Ｒａｄｉａｔｉｏｎ ａｎｄ Ｉｓｏｔｏｐｅｓ １３４（２０１８）：２００－２０４．
（Ｖｉｇｎｅｒｏｎ １９９５）Ｖ．Ｖｉｇｎｅｒｏｎ，Ｊ．Ｍｏｒｅｌ，Ｍ．－Ｃ．Ｌｅｐｙ，Ｊ．－Ｍ．Ｍａｒｔｉｎｅｚ‘‘Ｓｔａｔｉｓｔｉｃａｌ ｍｏｄｅｌｌｉｎｇ ｂｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｉｎ ｇａｍｍａ－ｓｐｅｃｔｒｏｍｅｔｒｙ’’Ｃｏｎｆｅｒｅｎｃｅ ａｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｒａｄｉｏｎｕｃｌｉｄｅ Ｍｅｔｒｏｌｏｇｙ（１９９５）．
（Ｙｏｓｈｉｄａ ２００２）Ｅ．Ｙｏｓｈｉｄａ，Ｋ．Ｓｈｉｚｕｍａ，Ｓ．Ｅｎｄｏ，Ｔ．Ｏｋａ‘‘Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｔｈｅ ａｎａｌｙｓｉｓ ｏｆ ｇａｍｍａ－ｒａｙ ｓｐｅｃｔｒａ ｍｅａｓｕｒｅｄ ｗｉｔｈ ａ Ｇｅ ｓｐｅｃｔｒｏｍｅｔｅｒ’’Ｎｕｃｌｅａｒ Ｉｎｓｔｒｕｍｅｎｔｓ ａｎｄ Ｍｅｔｈｏｄｓ ｉｎ Ｐｈｙｓｉｃｓ Ｒｅｓｅａｒｃｈ Ａ ４８４（２００２）．
（Ｍｅｄｈａｔ ２０１２）Ｍ．Ｅ．Ｍｅｄｈａｔ‘‘Ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ ｍｅｔｈｏｄｓ ａｐｐｌｉｅｄ ｆｏｒ ｑｕａｎｔｉｔａｔｉｖｅ ａｎａｌｙｓｉｓ ｏｆ ｎａｔｕｒａｌ ｒａｄｉｏａｃｔｉｖｅ ｓｏｕｒｃｅｓ’’，Ａｎｎａｌｓ ｏｆ Ｎｕｃｌｅａｒ Ｅｎｅｒｇｙ ４５（２０１２）．
（Ｏｌｍｏｓ １９９１）Ｐ．Ｏｌｍｏｓ，Ｊ．Ｃ．Ｄｉａｚ，Ｊ．Ｍ．Ｐｅｒｅｚ，Ｐ．Ｇｏｍｅｚ，Ｖ．Ｒｏｄｅｌｌａｒ，Ｐ．Ａｇｕａｙｏ，Ａ．Ｂｒｕ，Ｇ．Ｇａｒｃｉａ－Ｂｅｌｍｏｎｔｅ，Ｊ．Ｌ．ｄｅ Ｐａｂｌｏｓ‘‘Ａ Ｎｅｗ Ａｐｐｒｏａｃｈ ｔｏ Ａｕｔｏｍａｔｉｃ Ｒａｄｉａｔｉｏｎ Ｓｐｅｃｔｒｕｍ Ａｎａｌｙｓｉｓ’’ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ Ｏｎ Ｎｕｃｌｅａｒ Ｓｃｉｅｎｃｅ，Ｖｏｌ．３８，Ｎｏ．４（１９９１）．
（Ｂｏｂｉｎ ２０１６）Ｃ．Ｂｏｂｉｎ，Ｏ．Ｂｉｃｈｌｅｒ，Ｖ．Ｌｏｕｒｅｎｃｏ，Ｃ．Ｔｈｉａｍ，Ｍ．Ｔｈｅｖｅｎｉｎ‘‘Ｒｅａｌ－ｔｉｍｅ ｒａｄｉｏｎｕｃｌｉｄｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｉｎ γ－ｅｍｉｔｔｅｒ ｍｉｘｔｕｒｅｓ ｂａｓｅｄ ｏｎ ｓｐｉｋｉｎｇ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ’’Ａｐｐｌｉｅｄ Ｒａｄｉａｔｉｏｎ ａｎｄ Ｉｓｏｔｏｐｅｓ １０９（２０１６）４０５－４０９（２０１６）．
（Ｋａｍｕｄａ ２０１７）：Ｍ．Ｋａｍｕｄａ，Ｊ．Ｓｔｉｎｎｅｔｔ，Ｃ．Ｊ．Ｓｕｌｌｉｖａ‘‘Ａｕｔｏｍａｔｅｄ Ｉｓｏｔｏｐｅ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ Ｕｓｉｎｇ Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ’’ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ Ｏｎ Ｎｕｃｌｅａｒ Ｓｃｉｅｎｃｅ，Ｖｏｌ．６４，Ｎｏ．７（２０１７）．
（Ａｂｄｅｌ－Ａａｌ １９９７）Ｒ．Ｅ．Ａｂｄｅｌ－Ａａｌ，Ｍ．Ｎ．Ａｌ－Ｈａｄｄａｄ‘‘Ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｒａｄｉｏｉｓｏｔｏｐｅｓ ｉｎ ｇａｍｍａ－ｒａｙ ｓｐｅｃｔｒｏｓｃｏｐｙ ｕｓｉｎｇ ａｂｄｕｃｔｉｖｅ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ’’Ｎｕｃｌｅａｒ Ｉｎｓｔｒｕｍｅｎｔｓ ａｎｄ Ｍｅｔｈｏｄｓ ｉｎ Ｐｈｙｓｉｃｓ Ｒｅｓｅａｒｃｈ Ａ ３９１（１９９７）．
（Ｍａｉｅｒ ２０１６）Ｄ．Ｍａｉｅｒ，Ｏ．Ｌｉｍｏｕｓｉｎ‘‘Ｅｎｅｒｇｙ ｃａｌｉｂｒａｔｉｏｎ ｖｉａ ｃｏｒｒｅｌａｔｉｏｎ’’，Ｎｕｃｌｅａｒ Ｉｎｓｔｒｕｍｅｎｔｓ ａｎｄ Ｍｅｔｈｏｄｓ ｉｎ Ｐｈｙｓｉｃｓ Ｒｅｓｅａｒｃｈ，Ｓｅｃｔｉｏｎ Ａ：Ａｃｃｅｌｅｒａｔｏｒｓ，Ｓｐｅｃｔｒｏｍｅｔｅｒｓ，Ｄｅｔｅｃｔｏｒｓ ａｎｄ Ａｓｓｏｃｉａｔｅｄ Ｅｑｕｉｐｍｅｎｔ，ｖｏｌ．８１２，ｐ．４３－４９．（２０１６）．
（Ｇａｌ ２０１６）Ｙ．Ｇａｌ，Ｚ．Ｇｈａｈｒａｍａｎｉ‘‘Ｄｒｏｐｏｕｔ ａｓ ａ Ｂａｙｅｓｉａｎ Ａｐｐｒｏｘｉｍａｔｉｏｎ：Ｒｅｐｒｅｓｅｎｔｉｎｇ Ｍｏｄｅｌ Ｕｎｃｅｒｔａｉｎｔｙ ｉｎ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ’’，Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ３３ｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ，Ｎｅｗ Ｙｏｒｋ，ＮＹ，ＵＳＡ，２０１６．ＪＭＬＲ：Ｗ＆ＣＰ ｖｏｌｕｍｅ ４８．
（Ｇｅｖｉｎ ２０１２）Ｏ．Ｇｅｖｉｎ，ｅｔ ａｌ．‘‘Ｉｍａｇｉｎｇ Ｘ－ｒａｙ ｄｅｔｅｃｔｏｒ ｆｒｏｎｔ－ｅｎｄ ｗｉｔｈ ｈｉｇｈ ｄｙｎａｍｉｃ ｒａｎｇｅ：ＩＤｅＦ－Ｘ ＨＤ．’’Ｎｕｃｌｅａｒ Ｉｎｓｔｒｕｍｅｎｔｓ ａｎｄ Ｍｅｔｈｏｄｓ ｉｎ Ｐｈｙｓｉｃｓ Ｒｅｓｅａｒｃｈ Ｓｅｃｔｉｏｎ Ａ：Ａｃｃｅｌｅｒａｔｏｒｓ’’，Ｓｐｅｃｔｒｏｍｅｔｅｒｓ，Ｄｅｔｅｃｔｏｒｓ ａｎｄ Ａｓｓｏｃｉａｔｅｄ Ｅｑｕｉｐｍｅｎｔ ６９５（２０１２）：４１５－４１９．
（Ａｌｏｙｓｉｕｓ ２０１７）Ｎ．Ａｌｏｙｓｉｕｓ，Ｍ．Ｇｅｅｔｈａ‘‘Ａ Ｒｅｖｉｅｗ ｏｎ Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ’’Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，Ａｐｒｉｌ ２０１７，Ｉｎｄｅ．
（Ｉｏｆｆｅ ２０１５）Ｓ．Ｉｏｆｆｅ，Ｃ．Ｓｚｇｅｄｙ Ｇｅｅｔｈａ‘‘Ｂａｔｃｈ Ｎｏｒｍａｌｉｚａｔｉｏｎ：Ａｃｃｅｌｅｒａｔｉｎｇ Ｄｅｅｐ Ｎｅｔｗｏｒｋ Ｔｒａｉｎｉｎｇ ｂｙ Ｒｅｄｕｃｉｎｇ Ｉｎｔｅｒｎａｌ Ｃｏｖａｒｉａｔｅ Ｓｈｉｆｔ’’Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ３２ｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ，２０１５，Ｆｒａｎｃｅ．

Claims (20)

  1. シーンにおいてＸ線又はガンマ線放射を発する発光種（Ｓ１．．．ＳＮ）を識別するための方法であって、以下のステップ、すなわち、
    ａ）分光検出器（ＳＰＭ）を用いて、前記シーンから発出されるＸ線又はガンマ線放射のスペクトルを取得するステップと、
    ｂ）前記取得したスペクトルに、少なくとも１つの正規化を含む第１のデータ変換演算を適用するステップと、
    ｃ）複数の畳み込みニューラルネットワークの第１のセット（ＣＢＮＮ＿ＩＤ）であって、前記第１のセットの各畳み込みニューラルネットワークが、それぞれの識別対象の発光種、又は識別対象の発光種のそれぞれのグループと関連付けられており、及び、少なくとも１つの出力を有する前記第１のセットの入力として前記変換されたスペクトルを供給するステップと、
    ｄ）前記第１のセットのそれぞれの畳み込みニューラルネットワークごとに、対応する前記発光種、又は前記対応する発光種のグループが、前記出力又は複数の出力の関数として前記シーンに存在するかどうかを決定するステップと、を含み、
    ステップａ）～ｄ）が、信号処理回路（ＣＴＳ）を用いて実装されている方法。
  2. － 前記第１のセットの各畳み込みニューラルネットワークが、入力層（ＣＣ１）と、出力層（ＣＳ）と、少なくとも１つの中間層（ＣＣ２、ＣＣ３、ＣＰ）であって、それぞれが複数のニューロンを含む中間層と、を含み、
    － ステップｃ）が、毎回少なくとも１つの中間層の前記ニューロンの一部をランダムにドロップアウトさせることによって、複数回繰り返され、
    － ステップｄ）が、前記第１のセットのそれぞれの畳み込みニューラルネットワークごとに、前記シーンにおける前記種又は前記対応する発光種のグループの前記存在の前記決定を含み、前記決定の信頼度の率が、前記ステップｃ）の異なる繰り返しで前記出力又は複数の出力が取る値の統計的分析に基づく、請求項１に記載の方法。
  3. 信号処理回路（ＣＴＳ）を用いてもまた実装される以下のステップ、すなわち、
    ｅ）前記取得したスペクトルに、少なくとも１つの正規化を含む第２のデータ変換演算を適用するステップと、
    ｆ）複数の畳み込みニューラルネットワークの第２のセット（ＣＢＮＮ＿ＰＲＯ）であって、前記第２のセットの各畳み込みニューラルネットワークが、
    － ステップｄ）の後に前記シーンに存在していると決定されたそれぞれの発光種、又は発光種のそれぞれのグループと関連付けられており、及び
    － 少なくとも１つの出力を有する前記第２のセットの入力として前記変換されたスペクトルを供給するステップと、
    ｇ）前記第２のセットのそれぞれの畳み込みニューラルネットワークごとに、前記単一の又は複数の対応する発光種の信号の割合を、前記出力又は複数の出力の関数として決定するステップと、もまた含む、請求項１又は２に記載の方法。
  4. － 前記第２のセットの各畳み込みニューラルネットワークが、入力層（ＣＣ１）と、出力層（ＣＳ）と、少なくとも１つの中間層（ＣＣ２、ＣＣ３、ＣＰ）であって、それぞれが複数のニューロンを含む中間層と、を含み、
    － ステップｆ）が、毎回少なくとも１つの中間層のニューロンの一部をランダムにドロップアウトさせることによって、複数回繰り返され、
    － ステップｇ）が、前記第２のセットのそれぞれの畳み込みニューラルネットワークごとに、前記種又は前記対応する発光種のグループの前記信号の割合の前記決定を含み、前記決定の信頼度の割合が、前記ステップｆ）の異なる繰り返しで前記出力又は複数の出力が取る前記値の統計的分析に基づく、請求項３に記載の方法。
  5. 各畳み込みニューラルネットワークが、単一のそれぞれの発光種と関連付けられている、請求項１～４のいずれか一項に記載の方法。
  6. ステップｂ）が、前記取得したスペクトルの次元数を保存する、請求項１～５のいずれか一項に記載の方法。
  7. ステップｂ）が、前記取得したスペクトルの対数変換の後に、前記取得したスペクトルの前記正規化を含む、請求項６に記載の方法。
  8. 複数個の発光種を有する既知の組成の混合物に対応する、シミュレーションされたＸ線又はガンマ線放射スペクトルを使用して、前記畳み込みニューラルネットワークの教師あり訓練をする事前のステップもまた含む、請求項１～７のいずれか一項に記載の方法。
  9. 各畳み込みニューラルネットワークが、入力層と、出力層と、少なくとも１つの中間層であって、それぞれが複数のニューロンを含む中間層と、を含み、前記教師あり訓練ステップが、少なくとも１つの中間層の前記ニューロンの一部をランダムにドロップアウトさせることによって実行される、請求項８に記載の方法。
  10. 前記シーンから発出されるＸ線又はガンマ線放射を取得するステップａ）が、
    － 一連の事象であって、それぞれが前記分光検出器によって検出されたＸ線又はガンマ線光子のエネルギー値を表す物理量と関連付けられている事象を前記取得することと、
    － 較正パラメータのセットに依存する較正関数を適用することによって、前記一連の事象を前記Ｘ線又はガンマ線放射のエネルギースペクトルに前記変換することと、を含み、及び
    前記スペクトルと、前記シーンに存在していると決定された前記発光種の関数として計算された理論上のスペクトルとの間の相関関数を最大化することによって、前記較正パラメータの最適値を決定するステップｈ）もまた含む請求項１～９のいずれか一項に記載の方法。
  11. 各畳み込みニューラルネットワークが、相補的な出力ニューロン（ＣＳ）のペアを含む、請求項１～１０のいずれか一項に記載の方法。
  12. 前記取得されたスペクトルが、全面的に又は部分的に、２ｋｅＶから２ＭｅＶの間にある範囲内に延びる、請求項１～１１のいずれか一項に記載の方法。
  13. プログラムがコンピュータによって実行されると、前記コンピュータに、ステップｂ）及び請求項１～１２のいずれか一項に記載の方法の後続のステップを実装させる命令を含む、コンピュータプログラム製品。
  14. シーンにおいてＸ線又はガンマ線放射を発する発光種を識別するためのデバイスであって、
    － 分光検出器によって生成された信号を処理する信号処理回路（ＣＴＳ）であって、
    － 前記検出器から、一連の事象であって、それぞれが前記分光検出器によって検出されたＸ線又はガンマ線光子のエネルギー値を表す物理量と関連付けられている事象を取得するように、
    － 較正パラメータのセットに依存する較正関数を適用することによって、前記一連の事象を前記Ｘ線又はガンマ線放射のエネルギースペクトルに変換するように、
    － 前記Ｘ線又はガンマ線放射の前記エネルギースペクトルに、少なくとも１つの正規化を含む第１のデータ変換演算を適用するように、
    － こうして変換された前記スペクトルを、複数の畳み込みニューラルネットワークからなる第１のセットであって、前記第１のセットの各畳み込みニューラルネットワークが、それぞれの発光種、又は発光種のそれぞれのグループと関連付けられており、及び少なくとも１つの出力を有する前記第１のセットの入力として供給するように、並びに、
    － 前記第１のセットのそれぞれの畳み込みニューラルネットワークごとに、前記対応する発光種、又は前記対応する発光種のグループが、前記出力又は複数の出力の関数として前記シーンに存在するかどうかを決定するように、
    構成されているか、又はプログラムされている前記回路を含むデバイス。
  15. 前記放射線検出器によって生成された信号を処理する前記信号処理回路が、
    － 前記Ｘ線又はガンマ線放射の前記エネルギースペクトルに、少なくとも１つの正規化を含む第２のデータ変換演算を適用するように、
    － こうして変換された前記スペクトルを、複数の畳み込みニューラルネットワークからなる第２のセットであって、前記第２のセットの各畳み込みニューラルネットワークが、それぞれの発光種、又は発光種のそれぞれのグループと関連付けられ、前記シーンに存在していると決定されており、及び少なくとも１つの出力を有する前記第２のセットの入力として供給するように、並びに、
    － 前記第２のセットのそれぞれの畳み込みニューラルネットワークごとに、前記発光種又は前記対応する発光種のグループの信号の割合を、前記スカラー出力又は複数のスカラー出力のペアの関数として決定するように、
    もまた構成されているか、又はプログラムされている、請求項１４に記載のデバイス。
  16. 前記放射線検出器によって生成された信号を処理する前記信号処理回路が、取得されたスペクトルと、前記シーンに存在していると決定された前記発光種の関数として計算された理論上のスペクトルとの間の相関関数を最大化することによって、前記較正パラメータの最適値を決定するように、もまた構成されているか、又はプログラムされている、請求項１４又は１５に記載のデバイス。
  17. 各畳み込みニューラルネットワークが、単一のそれぞれの発光種と関連付けられている、請求項１４～１６のいずれか一項に記載のデバイス。
  18. 各畳み込みニューラルネットワークが、相補的な出力ニューロン（ＣＳ）のペアを含む、請求項１４～１７のいずれか一項に記載のデバイス。
  19. 検出された前記Ｘ線又はガンマ線光子が、２ｋｅＶから２ＭｅＶの間にある範囲の少なくとも一部の範囲内のエネルギーを示す、請求項１４～１８のいずれか一項に記載のデバイス。
  20. 前記分光検出器（ＳＰＭ）もまた含む、請求項１４～１９のいずれか一項に記載のデバイス。
JP2021565764A 2019-05-28 2020-05-28 Ｘ線又はガンマ線放射を発する原子種を識別するための方法及びデバイス Active JP7545415B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
FR1905682A FR3096782B1 (fr) 2019-05-28 2019-05-28 : Procédé et dispositif d’identification d’espèces atomiques émettant un rayonnement X ou gamma
FR1905682 2019-05-28
PCT/EP2020/064790 WO2020239884A1 (fr) 2019-05-28 2020-05-28 Procede et dispositif d'identification d'especes atomiques emettant un rayonnement x ou gamma

Publications (2)

Publication Number Publication Date
JP2022533815A true JP2022533815A (ja) 2022-07-26
JP7545415B2 JP7545415B2 (ja) 2024-09-04

Family

ID=69157899

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021565764A Active JP7545415B2 (ja) 2019-05-28 2020-05-28 Ｘ線又はガンマ線放射を発する原子種を識別するための方法及びデバイス

Country Status (7)

Country Link
US (1) US20220252744A1 (ja)
EP (1) EP3977175A1 (ja)
JP (1) JP7545415B2 (ja)
KR (1) KR20220014329A (ja)
CN (1) CN114008489A (ja)
FR (1) FR3096782B1 (ja)
WO (1) WO2020239884A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11854259B2 (en) 2021-03-31 2023-12-26 Halliburton Energy Services, Inc. Holdup measurement using quantized classification and categorized local regression
US12038551B2 (en) 2021-03-31 2024-07-16 Halliburton Energy Services, Inc. Gamma spectral analysis
CN113866204A (zh) * 2021-09-27 2021-12-31 电子科技大学 一种基于贝叶斯正则化的土壤重金属定量分析方法
WO2024049537A1 (en) * 2022-08-31 2024-03-07 Ohio State Innovation Foundation Ai method for nmr spectra analysis

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8898045B2 (en) 2009-04-21 2014-11-25 Halliburton Energy Services, Inc. System and method of predicting gas saturation of a formation using neural networks
US20190034786A1 (en) * 2017-07-26 2019-01-31 James Ghawaly, JR. System and Method for Making Nuclear Radiation Detection Decisions and/or Radionuclide Identification Classifications
CN109063741B (zh) * 2018-07-05 2021-12-10 南京航空航天大学 一种基于希尔伯特曲线变换与深度学习的能谱分析方法

Also Published As

Publication number Publication date
FR3096782B1 (fr) 2022-10-07
KR20220014329A (ko) 2022-02-04
EP3977175A1 (fr) 2022-04-06
US20220252744A1 (en) 2022-08-11
JP7545415B2 (ja) 2024-09-04
FR3096782A1 (fr) 2020-12-04
CN114008489A (zh) 2022-02-01
WO2020239884A1 (fr) 2020-12-03

Similar Documents

Publication Publication Date Title
JP7545415B2 (ja) Ｘ線又はガンマ線放射を発する原子種を識別するための方法及びデバイス
Daniel et al. Automatic and real-time identification of radionuclides in gamma-ray spectra: a new method based on convolutional neural network trained with synthetic data set
JP7495263B2 (ja) 放射線検出装置、エネルギー校正方法及びプログラム
CN112014870B (zh) 放射线检测装置、能量校正方法以及程序
US20230259768A1 (en) Machine-Learned Spectrum Analysis
Qi et al. Radionuclide identification method for NaI low-count gamma-ray spectra using artificial neural network
Botti et al. Constraints on the electron-hole pair creation energy and Fano factor below 150 eV from Compton scattering in a skipper CCD
Li et al. Fast nuclide identification based on a sequential Bayesian method
US10156647B2 (en) Method of spectral data detection and manipulation
Ghawaly Jr et al. Characterization of the autoencoder radiation anomaly detection (ARAD) model
Kim et al. Identification of multiple radioisotopes through convolutional neural networks trained on 2-D transformed gamma spectral data from CsI (Tl) spectrometer
Murray et al. A low-power radiation detection SoC with neural network accelerator for radioisotope identification
Li et al. A new radionuclide identification method for low-count energy spectra with multiple radionuclides
Kamuda Automated isotope identification and quantification using artificial neural networks
CN111880211B (zh) 一种利用康普顿散射事例统计进行放射性核素识别的方法
CN108646285A (zh) 伽马射线能谱测量方法、装置及系统
Carson et al. Application of a simple, spiking, locally competitive algorithm to radionuclide identification
Ghawaly Jr A Datacentric Algorithm for Gamma-ray radiation anomaly detection in unknown Background Environments
Kim et al. Pulse height estimation and pulse shape discrimination in pile-up neutron and gamma ray signals from an organic scintillation detector using multi-task learning
CN110687584A (zh) 一种基于lstm的快速核素识别方法
Hoang A pattern recognition approach to learning tracks of heavy-ion particles in timepix detectors
Chaudhuri et al. Deep Learning-based classification of gamma photon interaction in room-temperature semiconductor radiation detectors
Durbin et al. Experimental tests of Gamma-ray Localization Aided with Machine-learning (GLAM) capabilities
Ayhan et al. High-performance remote radioactive material identification of mixtures
Ziegler Application of Deep Learning Methods to the Search for Neutrinoless Double Beta Decay with the EXO-200 Experiment

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230509

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240206

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20240430

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240701

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240730

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240823

R150 Certificate of patent or registration of utility model

Ref document number: 7545415

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150