KR102249120B1 - 피검자의 체내·외 방사능 오염 분석 프로그램 및 분석 시스템 - Google Patents
피검자의 체내·외 방사능 오염 분석 프로그램 및 분석 시스템 Download PDFInfo
- Publication number
- KR102249120B1 KR102249120B1 KR1020200175410A KR20200175410A KR102249120B1 KR 102249120 B1 KR102249120 B1 KR 102249120B1 KR 1020200175410 A KR1020200175410 A KR 1020200175410A KR 20200175410 A KR20200175410 A KR 20200175410A KR 102249120 B1 KR102249120 B1 KR 102249120B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- subject
- nuclide
- exposure
- radioactive contamination
- Prior art date
Links
- 238000011109 contamination Methods 0.000 title claims abstract description 44
- 230000002285 radioactive effect Effects 0.000 title claims abstract description 36
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 238000000084 gamma-ray spectrum Methods 0.000 claims abstract description 32
- 230000005855 radiation Effects 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001079 digestive effect Effects 0.000 claims description 3
- 210000004072 lung Anatomy 0.000 claims description 3
- 210000001685 thyroid gland Anatomy 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000009885 systemic effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000005251 gamma ray Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000012857 radioactive material Substances 0.000 description 1
- 239000000941 radioactive substance Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G01T1/167—Measuring radioactive content of objects, e.g. contamination
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V5/00—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- High Energy & Nuclear Physics (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of Radiation (AREA)
Abstract
본 발명은 데이터를 입력하는 입력 수단, 입력된 데이터를 처리하는 처리 수단 및 출력 수단을 갖는 스마트폰, 태블릿, 노트북, 또는 컴퓨터에, (a) 방사선 검출장치에서 촬영된 피검자의 방사선 피폭량에 대한 감마선 스펙트럼 데이터를 상기 입력 수단이 입력받아 상기 처리 수단이 상기 감마선 스펙트럼 데이터를 핵종별로 분류하는 단계; (b) 상기 (a)단계에서 분류된 핵종별 데이터를 피검자의 피폭 위치별로 분류하여 상기 처리 수단에서 각각 인공 신경망을 통해 학습하는 단계; 및 (c) 상기 (b)단계에서 학습된 정보를 기반으로 핵종 또는 피폭 위치 따른 방사능 기여량을 산출하여 상기 출력 수단이 출력하는 단계를 포함하여, 1회 측정만으로 피검자의 방사능 오염 위치를 빠르고 편리하게 파악가능한 것을 특징으로 한다.
Description
본 발명은 피검자의 체내·외 방사능 오염 여부를 판별할 수 있는 분석 프로그램 및 분석 시스템에 관한 것이다.
일반적으로 원자력 발전소 방사선 작업종사자의 내부피폭 방사선량을 측정하고 이를 분석하는 데 있어서, 전신오염검사장비(Whole Body Counter)와 피크 분석법이 사용된다. 전신오염검사장비는 두 개 대형 NaI(Tl) 검출기(상부, 하부)로 구성되며, 감마선이 방사선검출기와 상호작용한 후 방사선검출기에 흡수되면 전신오염검사장비는 감마선의 에너지 피크를 형성하여 나타낸다. 도 1a는 방사선 검출장치로 측정된 감마선 스펙트럼의 일 예로서, 전신오염검사장비에서 측정된 방사선 작업종사자에 대한 방사선 스펙트럼과 같다. 일 예시인 도 1a에서 662 keV의 감마선을 방출하는 Cs-137 선원의 스펙트럼이며, 감마선이 방사선검출기와 상호작용했을 때 감마선의 모든 에너지가 방사선검출기에 흡수되면 전 에너지 피크(Full Energy Peak)가 형성되는데, 도 1a에서는 900 ∼ 1,200 채널 사이에서 가우시안 형태의 전 에너지 피크가 형성되었음을 확인할 수 있다. 또한, 도 1b는 감마선 에너지와 복수의 물질에 따른 상호작용 확률을 나타낸 그래프이다. 방사선의 에너지와 상호작용을 일으키는 물질에 따라 각각의 상호작용 확률이 달라지는데, 도 1b와 같이 감마선과 물질과의 상호작용은 크게 광전효과, 컴프턴 산란, 전자쌍 생성(감마선 에너지 1.02 MeV 이상)으로 구분될 수 있다.
한편, 도 2는 피크 분석법이 수행되는 인체 피폭선량평가 시스템의 구성도이다. 인체 피폭선량평가 시스템은 운영 소프트웨어와 선량평가 소프트웨어로 구분되며, 두 소프트웨어를 통해 전 에너지 피크의 면적을 방사능으로 환산하는 피크 분석법이 수행될 수 있다. 보다 상세하게, 피크 분석법은 전체 스펙트럼 중 전 에너지 피크 영역만을 이용하여 방사능을 분석한다. 따라서, 전 에너지 피크 이하의 채널에서 생성된 정보는 이용되지 않는다.
또한, 인체 피폭선량평가 시스템은 전신오염검사장비에서 측정된 작업자의 방사능량과 핵종별 최소검출 가능 방사능(MDA, Minimum Detectable Activity)을 비교한다. 작업자의 방사능량이 MDA보다 작은 수치인 경우에는 피폭량이 최소인 것으로 판단하여 더 이상의 측정을 요하지 않한다. 그러나, 측정된 수치가 MDA 이상이면 작업자가 피폭된 부분이 전면 또는 후면인지, 체내 또는 체외인지 판단하기 위하여 재측정을 요한다. 따라서, 종래의 인체 피폭선량평가 시스템은 작업자의 피폭 위치 판단에 있어 최소 2회 이상의 오염 검사를 수행해야 하는 불편이 있다.
이에, 본 출원인은 감마선 스펙트럼의 분석을 통해 추가적인 검사를 수행하지 않고 1회의 측정만으로 체내외 오염 여부를 판단할 수 있도록 추가적인 연구 개발을 진행하였다.
본 발명은 방사능 오염 분석 프로그램 및 분석 시스템으로서, 1회 측정만으로 피검자의 인체 내·외부 오염 여부를 판별할 수 있는 프로그램 및 분석 시스템을 제공하고자 한다.
상기 목적을 달성하기 위하여 본 발명은, 데이터를 입력하는 입력 수단, 입력된 데이터를 처리하는 처리 수단 및 출력 수단을 갖는 스마트폰, 태블릿, 노트북, 또는 컴퓨터에, (a) 방사선 검출장치에서 촬영된 피검자의 방사선 피폭량에 대한 감마선 스펙트럼 데이터를 상기 입력 수단이 입력받아 상기 처리 수단이 상기 감마선 스펙트럼 데이터를 핵종별로 분류하는 단계; (b) 상기 (a)단계에서 분류된 핵종별 데이터를 피검자의 피폭 위치별로 분류하여 상기 처리 수단에서 각각 인공 신경망을 통해 학습하는 단계; 및 (c) 상기 (b)단계에서 학습된 정보를 기반으로 핵종 또는 피폭 위치 따른 방사능 기여량을 산출하여 상기 출력 수단이 출력하는 단계를 실행시키기 위하여 매체에 저장되는 것을 일 특징으로 한다.
바람직하게, 상기 (b) 단계는, 상기 핵종별 데이터를 최댓값으로 나누어 전처리한 후, 인공 신경망을 통한 학습을 수행할 수 있다.
바람직하게, 상기 (b) 단계는, 상기 핵종별 데이터를 피검자의 체내 또는 체외로 분류하고, 체내 피폭인 경우, 신체 부위에 따라 분류하고 학습할 수 있다.
바람직하게, 피검자의 체내 피폭 위치는 갑상선 영역, 폐 영역, 전신 영역, 소화기 영역으로 구분될 수 있다.
바람직하게, 상기 (c) 단계는, 300채널 이하에서 상기 스펙트럼의 파형 또는 기여량에 따라 방사능 오염이 피검자의 체내인지 또는 체외인지 결과를 상기 출력 수단을 통해 출력할 수 있다.
상기 목적을 달성하기 위하여 본 발명은, 방사선 검출장치에서 촬영된 피검자의 방사선 피폭량에 대한 감마선 스펙트럼 데이터를 핵종별로 분류하는 제1 데이터 분류부; 상기 제1 데이터 분류부에서 분류된 핵종별 데이터를 피검자의 피폭 위치별로 분류하는 제2 데이터 분류부; 상기 제1 및 제2 데이터 분류부에서 분류된 핵종별 또는 위치별 데이터를 인공 신경망을 통해 학습하는 학습부; 및 상기 학습부에서 학습된 정보를 기반으로 핵종 또는 피폭 위치 따른 방사능 기여량을 산출하는 산출부를 포함하는 것을 다른 특징으로 한다.
바람직하게, 상기 제2 데이터 분류부는, 상기 핵종별 데이터의 분류 기준인 상기 피폭 위치가 피검자의 체내 또는 체외일 수 있다.
종래에는 작업자의 체내 또는 체외 방사능 오염 여부를 판단하기 위해 전신오염 검사장비로 복수 회 측정한 것과 비교할 때, 본 발명은 방사선 스펙트럼의 특징을 분석함으로써 피검자의 방사능 레벨을 단 1회 측정하는 것만으로 체내 또는 체외 방사능 오염 여부를 판별할 수 있다. 이를 통해 전신오염검사 소요시간이 단축되어 보다 효율인 장점이 있다.
도 1a는 방사선 검출장치로 측정된 감마선 스펙트럼을 나타낸다.
도 1b는 감마선 에너지와 복수의 물질에 따른 상호작용 확률을 나타낸 그래프이다.
도 2는 종래의 인체 피폭선량평가 시스템의 구성도를 나타낸다.
도 3은 피검자의 체내·외에서 측정된 감마선 스펙트럼을 나타낸다.
도 4a는 본 발명의 실시 예에 따른 방사능 오염 분석 프로그램이 포함된 인체 피폭선량평가 시스템의 구성도를 나타내며, 도 4b는 본 발명의 실시 예에 따른 방사능 오염 분석 프로그램의 처리 흐름을 나타낸다.
도 5a는 본 발명의 실시 예에 따른 피검자의 체내 감마선 스펙트럼 데이터를 취득하는 위치를 나타내며, 도 5b는 피검자의 체외 감마선 스펙트럼 데이터를 취득하는 위치를 나타낸다.
도 6은 본 발명의 실시 예에 따른 방사능 오염 분석 시스템의 구성도를 나타낸다.
도 1b는 감마선 에너지와 복수의 물질에 따른 상호작용 확률을 나타낸 그래프이다.
도 2는 종래의 인체 피폭선량평가 시스템의 구성도를 나타낸다.
도 3은 피검자의 체내·외에서 측정된 감마선 스펙트럼을 나타낸다.
도 4a는 본 발명의 실시 예에 따른 방사능 오염 분석 프로그램이 포함된 인체 피폭선량평가 시스템의 구성도를 나타내며, 도 4b는 본 발명의 실시 예에 따른 방사능 오염 분석 프로그램의 처리 흐름을 나타낸다.
도 5a는 본 발명의 실시 예에 따른 피검자의 체내 감마선 스펙트럼 데이터를 취득하는 위치를 나타내며, 도 5b는 피검자의 체외 감마선 스펙트럼 데이터를 취득하는 위치를 나타낸다.
도 6은 본 발명의 실시 예에 따른 방사능 오염 분석 시스템의 구성도를 나타낸다.
이하, 첨부된 도면들에 기재된 내용들을 참조하여 본 발명을 상세히 설명한다. 다만, 본 발명이 예시적 실시 예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일 참조부호는 실질적으로 동일한 기능을 수행하는 부재를 나타낸다.
본 발명의 목적 및 효과는 하기의 설명에 의해서 자연스럽게 이해되거나 보다 분명해 질 수 있으며, 하기의 기재만으로 본 발명의 목적 및 효과가 제한되는 것은 아니다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이, 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다.
일반적으로 감마선을 방출하는 방사성 물질분석에 사용되는 피크 분석법은 전 에너지 피크의 면적을 방사능으로 환산하여 결과를 분석하는 방법이다. 즉, 피크 분석법은 전체 스펙트럼 중 전 에너지 피크 영역만을 이용하여 방사능을 분석한다. 따라서, 피크 분석법은 전 에너지 피크 이상의 채널에서 생성된 정보만 활용될 뿐, 전 에너지 피크 이하의 채널에서 생성된 정보는 이용되지 않는다. 다만, 전 에너지 피크 이하의 채널에서 발생되는 정보는 여러 외부 요인으로 인해 발생할 수 있다. 예를 들어, 방사성 물질이 작업자의 피부나 옷과 같이 외부에 존재할 경우, 전신오염검사 장비의 검출기와 방사선원 사이에는 공기가 존재하므로 전 에너지 피크 이하로 측정될 수 있으며, 방사성 물질이 인체 내에 있는 경우를 가정하더라도, 측정되는 스펙트럼은 공기와 인체의 영향을 받아 실제 스펙트럼과 다르게 나타날 수 있다. 따라서 이러한 복합적인 영향으로 인해 전 에너지 피크 이하의 영역에서도 도 3과 같이 스펙트럼 차이가 발생할 수 있다. 도 3은 피검자의 체내·외에서 측정된 감마선 스펙트럼을 나타낸다. 따라서, 내·외부 스펙트럼을 전 에너지 피크로만 도 3을 해석할 경우 체내·외부 오염을 구분하기 어려워 문제가 된다.
더불어, 종래의 인체 피폭선량평가 시스템은 측정된 수치가 MDA 이상이어서 작업자가 재측정을 하는 경우에도, 전면뿐만 아니라 후면도 측정하여야 체내 오염인지 또는 체외 오염인지를 판별할 수 있다.
도 4a는 본 발명의 실시 예에 따른 방사능 오염 분석 프로그램(10)이 적용된 인체 피폭선량평가 시스템(1)의 구성도를 나타낸다. 도 4a를 참고하면, 인체 피폭선량평가 시스템(1)은 Genie2000으로 측정된 피검자의 감마선 스펙트럼 파일을 저장할 수 있다. 채널당 계수 값이 기록된 감마선 스펙트럼 파일은 방사능 오염 분석 프로그램(10)의 입력 데이터로 사용될 수 있다. 종래의 인체 피폭선량평가 방법과 달리, 본 발명의 실시 예에서는 방사능 오염 분석 프로그램(10)이 선량평가 소프트웨어 수행 전에 마련되어 방사능 데이터의 선량평가 전에 피검자의 방사능 오염이 체내인지 또는 체외인지 판단할 수 있다.
도 4b는 본 발명의 실시 예에 따른 방사능 오염 분석 프로그램(10)의 처리 흐름을 나타낸다. 이하에서 설명할 (a)단계(S110) 내지 (c)단계(S130)는 데이터를 입력하는 입력 수단, 입력된 데이터를 처리하는 처리 수단 및 출력 수단을 갖는 스마트폰, 태블릿, 노트북, 또는 컴퓨터에 실행시키기 위한 매체에 저장된 애플리케이션의 기능으로 구현되어도 무방하다. 방사능 오염 분석 프로그램(10)은 서버(100)를 구비한 시스템 상에서 수행될 수 있다.
도 4b를 참고하면, 방사능 오염 분석 프로그램(10)은 방사선 검출장치가 피검자의 체내·외의 방사선 피폭량을 촬영한 감마선 스펙트럼 데이터를 입력 수단이 입력받아 처리 수단이 감마선 스펙트럼 데이터를 핵종별로 분류하는 (a)단계(S110), (a)단계(S110)에서 분류된 핵종별 데이터를 피검자의 체외 또는 체내로 구분하여 처리 수단에서 각각 인공 신경망을 통해 학습하는 (b)단계(S120), (b)단계(S120)에서 학습된 정보를 기반으로 핵종 및 체내·외에 따른 방사능 기여량을 산출하여 출력 수단이 출력하는 (c)단계(S130)를 포함할 수 있다.
피검자에게서 촬영된 감마선 스펙트럼 데이터는 감마선 에너지 0.01 ∼ 2.0 MeV 범위일 수 있으며, 여기에 포함된 방출 핵종은 Cs-134, Cs-137, Co-58, Co-60, Mn-54, Am-241 등 일 수 있다. (a)단계(S110)는 핵종에 따라 감마선 스펙트럼 데이터를 분류할 수 있다.
(b)단계(S120)는, 핵종별 데이터를 최댓값으로 나누어 전처리한 후, 인공 신경망을 통한 학습을 수행할 수 있다. (b)단계(S120)에서 수행되는 인공 신경망 학습은, 세 가지 측면에서 종래의 피크 분석법과 상이하다. 먼저 종래의 피크 분석법은 감마선 스펙트럼의 전체 영역에서 피크가 분포한 부분의 피크 면적만을 분석한 반면, 본 발명은 전체 스펙트럼의 특징을 분석한다. 또한, 방사능의 핵종을 판별함에 있어서, 종래의 피크 분석법은 핵종별 감마 방출 라이브러리를 활용하므로 에너지를 교정하고 효율을 교정하는 과정이 요구되었다. 그러나, 본 발명은 분석하고자 하는 핵종별로 학습을 통한 특성을 파악하면 되므로, 각 핵종(단일 또는 혼합)에 따른 훈련 데이터 및 학습만이 요구되는 점에서 상이하다. 정량화하는 방법에 있어서도, 종래의 피크 분석법은 피크 면적의 계수율을 효율로 나누어 산출하는 반면, 본 발명은 (b)단계(S120)에서 수행된 학습 결과를 바탕으로 핵종별 기여량을 산출하는 점에서 상이하다.
이러한 감마선 스펙트럼 데이터의 분류 및 학습을 통한 결과를 바탕으로, (c)단계(S130)에서 300채널 이하에서 스펙트럼의 파형 또는 기여량에 따라 방사능 오염이 피검자의 체내인지 또는 체외인지를 산출할 수 있고, 그 결과를 출력 수단을 통해 출력할 수 있다.
도 5a는 본 발명의 실시 예에 따른 피검자의 체내 감마선 스펙트럼 데이터를 취득하는 위치를 나타내며, 도 5b는 피검자의 체외 감마선 스펙트럼 데이터를 취득하는 위치를 나타낸다. (b)단계(S120)에서 핵종별 또는 체내·외별 감마선 스펙트럼 학습을 위해 전체 감마선 스펙트럼 데이터를 기설정된 피검자의 신체 위치에 따라 분류하고 학습할 수 있다. 이때, 설정되는 위치는 체내와 체외에서 상이할 수 있다. 도5a는 피검자의 체내 위치를 나타낸 그림으로서, 인체 영역으로 구분될 수 있다. 예를 들어, 갑상선 영역, 폐 영역, 전신 영역, 소화기 영역으로 구분될 수 있다.
도 5b는 본 발명의 실시 예로서 피검자의 체외에서의 데이터 취득 위치를 나타낸 것이다. 도 5b와 같이 외부에서의 데이터 수집 위치를 미리 설정하여 해당 위치에서의 감마선 스펙트럼만을 선택적으로 수집 또는 분류하여 분석할 수 있다. 따라서, 본 발명을 통해 핵종 및 체내 또는 체외에 따른 감마선 스펙트럼의 파형 또는 분포를 학습함으로써, 이후의 새로운 데이터에 대해 추가적인 측정없이 체내 또는 체외 오염 여부를 파악할 수 있다.
도 6은 본 발명의 실시 예에 따른 방사능 오염 분석 시스템(20)의 구성도를 나타낸다. 방사능 오염 분석 시스템(20)은 제1 데이터 분류부(210), 제2 데이터 분류부(230), 학습부(350) 및 산출부(270)를 포함한다. 방사선 검출장치에서 측정된 피검자의 감마선 스펙트럼 데이터를 분석하여 핵종 또는 피검자가 피폭된 피폭 위치에 따라 방사능 기여량을 산출하는 기술적 특징을 갖는 본 발명은 도 4a와 같이 입력·처리·출력 수단을 갖는 컴퓨터 등 내에서 실행되는 방사능 오염 분석 프로그램(10)일 수 있고, 도 6과 같이 자체적으로 피검자의 감마선 스펙트럼 데이터를 분석할 수 있는 방사능 오염 분석 시스템(20)의 형태일 수 있다.
제1 데이터 분류부(210)는 방사선 검출장치에서 촬영된 피검자의 방사선 피폭량에 대한 감마선 스펙트럼 데이터를 핵종별로 분류할 수 있다. 제1 데이터 분류부(210)는 방사능 오염 분석 프로그램(10)의 (a)단계(S110)에서 수행되는 데이터 분류가 수행되며, 유사한 기술적 특징을 공유할 수 있다. 제2 데이터 분류부(230)는 제1 데이터 분류부(210)에서 분류된 핵종별 데이터를 피검자의 피폭 위치별로 분류할 수 있다. 학습부(250)는 제1 데이터 분류부(210) 및 제2 데이터 분류부(230)에서 분류된 핵종별 또는 위치별 데이터를 인공 신경망을 통해 학습할 수 있다. 제2 데이터 분류부(230) 및 학습부(250)는 방사능 오염 분석 프로그램(10)의 (b)단계(S120)에서 수행되는 데이터 분류 및 학습이 수행되며, 유사한 기술적 특징을 공유할 수 있다. 산출부(270)는 학습부(250)에서 학습된 정보를 기반으로 핵종 또는 피폭 위치 따른 방사능 기여량을 산출할 수 있으며, 방사능 오염 분석 프로그램(10)의 (c)단계(S130)에서 수행되는 조건별 기여량 산출이 수행되며, 유사한 기술적 특징을 공유할 수 있다.
이상에서 대표적인 실시예를 통하여 본 발명을 상세하게 설명하였으나, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리 범위는 설명한 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 특허청구범위와 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태에 의하여 정해져야 한다.
1 : 인체 피폭선량평가 시스템
10 : 방사능 오염 분석 프로그램
20 : 방사능 오염 분석 시스템
210 : 제1 데이터 분류부
230 : 제2 데이터 분류부
250 : 학습부
270 : 산출부
10 : 방사능 오염 분석 프로그램
20 : 방사능 오염 분석 시스템
210 : 제1 데이터 분류부
230 : 제2 데이터 분류부
250 : 학습부
270 : 산출부
Claims (7)
- 데이터를 입력하는 입력 수단, 입력된 데이터를 처리하는 처리 수단 및 출력 수단을 갖는 스마트폰, 태블릿, 노트북, 또는 컴퓨터에,
(a) 방사선 검출장치에서 촬영된 피검자의 방사선 피폭량에 대한 감마선 스펙트럼 데이터를 상기 입력 수단이 입력받아 상기 처리 수단이 상기 감마선 스펙트럼 데이터를 핵종별로 분류하는 단계;
(b) 상기 (a)단계에서 분류된 핵종별 데이터를 피검자의 피폭 위치별로 분류하여 상기 처리 수단에서 각각 인공 신경망을 통해 학습하는 단계; 및
(c) 상기 (b)단계에서 학습된 정보를 기반으로 핵종 또는 피폭 위치 따른 방사능 기여량을 산출하여 상기 출력 수단이 출력하는 단계를 실행시키기 위하여 매체에 저장된 방사능 오염 분석 프로그램.
- 제 1 항에 있어서,
상기 (b) 단계는,
상기 핵종별 데이터를 최댓값으로 나누어 전처리한 후, 인공 신경망을 통한 학습을 수행하는 것을 특징으로 하는 방사능 오염 분석 프로그램.
- 제 1 항에 있어서,
상기 (b) 단계는,
상기 핵종별 데이터를 피검자의 체내 또는 체외로 분류하고,
체내 피폭인 경우, 신체 부위에 따라 분류하고 학습하는 것을 특징으로 하는 방사능 오염 분석 프로그램.
- 제 3 항에 있어서,
피검자의 체내 피폭 위치는 갑상선 영역, 폐 영역, 전신 영역, 소화기 영역으로 구분되는 것을 특징으로 하는 방사능 오염 분석 프로그램.
- 제 3 항에 있어서,
상기 (c) 단계는,
300채널 이하에서 상기 스펙트럼의 파형 또는 기여량에 따라 방사능 오염이 피검자의 체내인지 또는 체외인지 결과를 상기 출력 수단을 통해 출력하는 것을 특징으로 하는 방사능 오염 분석 프로그램.
- 방사선 검출장치에서 촬영된 피검자의 방사선 피폭량에 대한 감마선 스펙트럼 데이터를 핵종별로 분류하는 제1 데이터 분류부;
상기 제1 데이터 분류부에서 분류된 핵종별 데이터를 피검자의 피폭 위치별로 분류하는 제2 데이터 분류부;
상기 제1 및 제2 데이터 분류부에서 분류된 핵종별 또는 위치별 데이터를 인공 신경망을 통해 학습하는 학습부; 및
상기 학습부에서 학습된 정보를 기반으로 핵종 또는 피폭 위치 따른 방사능 기여량을 산출하는 산출부를 포함하는 방사능 오염 분석 시스템.
- 제 6 항에 있어서,
상기 제2 데이터 분류부는,
상기 핵종별 데이터의 분류 기준인 상기 피폭 위치가 피검자의 체내 또는 체외인 것을 특징으로 하는 방사능 오염 분석 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200175410A KR102249120B1 (ko) | 2020-12-15 | 2020-12-15 | 피검자의 체내·외 방사능 오염 분석 프로그램 및 분석 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200175410A KR102249120B1 (ko) | 2020-12-15 | 2020-12-15 | 피검자의 체내·외 방사능 오염 분석 프로그램 및 분석 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102249120B1 true KR102249120B1 (ko) | 2021-05-06 |
Family
ID=75915759
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200175410A KR102249120B1 (ko) | 2020-12-15 | 2020-12-15 | 피검자의 체내·외 방사능 오염 분석 프로그램 및 분석 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102249120B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102626569B1 (ko) * | 2023-08-17 | 2024-01-19 | 한국지질자원연구원 | 위성의 감마선 분광기 데이터 모니터링 시스템 및 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100473074B1 (ko) | 2002-09-17 | 2005-03-08 | 한국수력원자력 주식회사 | 에너지 스펙트럼 분석 기능을 채용한 지능형 방사선 선량측정 시스템 및 그 방법 |
| KR101842562B1 (ko) * | 2016-10-31 | 2018-03-28 | 한국수력원자력 주식회사 | 방사능 기반 피폭선질 분석 장치 및 방법 |
| KR20190106042A (ko) * | 2018-03-07 | 2019-09-18 | 한국과학기술원 | 인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치 및 방법 |
| KR101988902B1 (ko) | 2011-07-08 | 2019-09-30 | 오스트레일리안 뉴클리어 사이언스 앤드 테크놀로지 오가니제이션 | 방사성 핵종 검출 및 식별 |
-
2020
- 2020-12-15 KR KR1020200175410A patent/KR102249120B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100473074B1 (ko) | 2002-09-17 | 2005-03-08 | 한국수력원자력 주식회사 | 에너지 스펙트럼 분석 기능을 채용한 지능형 방사선 선량측정 시스템 및 그 방법 |
| KR101988902B1 (ko) | 2011-07-08 | 2019-09-30 | 오스트레일리안 뉴클리어 사이언스 앤드 테크놀로지 오가니제이션 | 방사성 핵종 검출 및 식별 |
| KR101842562B1 (ko) * | 2016-10-31 | 2018-03-28 | 한국수력원자력 주식회사 | 방사능 기반 피폭선질 분석 장치 및 방법 |
| KR20190106042A (ko) * | 2018-03-07 | 2019-09-18 | 한국과학기술원 | 인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치 및 방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102626569B1 (ko) * | 2023-08-17 | 2024-01-19 | 한국지질자원연구원 | 위성의 감마선 분광기 데이터 모니터링 시스템 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6624425B2 (en) | Waste inspection tomography and non-destructive assay | |
| US5606167A (en) | Contraband detection apparatus and method | |
| WO2016080610A1 (ko) | 플라스틱 섬광체를 이용한 방사성 핵종 분별 방법 및 장치 | |
| JP5988890B2 (ja) | 放射能分析装置および放射能分析方法 | |
| Immè et al. | Nuclear track detector characterization for alpha-particle spectroscopy | |
| KR101447030B1 (ko) | 개별 감마핵종의 조사선량률 결정방법 | |
| KR102249120B1 (ko) | 피검자의 체내·외 방사능 오염 분석 프로그램 및 분석 시스템 | |
| Dufour et al. | Measurement of low-activity uranium contamination by gamma-ray spectrometry for nuclear decommissioning | |
| CN109975860A (zh) | 一种基于极大似然迭代法的高灵敏度量化核素能谱成分识别方法 | |
| Xu et al. | Analysis of gamma-ray spectra with spectral unmixing—Part I: Determination of the characteristic limits (decision threshold and statistical uncertainty) for measurements of environmental aerosol filters | |
| Gilbert et al. | Advanced algorithms for radiographic material discrimination and inspection system design | |
| Efthimiou et al. | Effect of 176Lu intrinsic radioactivity on dual head PET system imaging and data acquisition, simulation, and experimental measurements | |
| Kwon et al. | Preprocessing energy intervals on spectrum for real-time radionuclide identification | |
| KR102663201B1 (ko) | 방사선 측정 장치 및 장치의 동작 방법 | |
| Mekarski et al. | Monte Carlo simulation of a PhosWatch detector using Geant4 for xenon isotope beta–gamma coincidence spectrum profile and detection efficiency calculations | |
| JP6925842B2 (ja) | 放射能測定装置及び放射能測定方法 | |
| EP0042099A2 (en) | Self-regulating neutron coincidence counter | |
| Beaumont et al. | Imaging of fast neutrons and gamma rays from 252Cf in a heavily shielded environment | |
| Swift | Materials and configuration from NMIS type neutron imaging and gamma spectroscopy | |
| Vraničar et al. | Testing of EFFTRAN and Angle software in comparison to GEANT 4 simulations in gamma spectrometry of cylindrical and noncylindrical sample geometries | |
| Seekamp et al. | Design and characterization of an extremely-sensitive, large-volume gamma-ray spectrometer for environmental samples | |
| Park et al. | Identification of radioactive isotopes in decommissioning of nuclear facilities using ensemble learning | |
| Cosentino et al. | Particle beam and X-ray imaging with thin CsI scintillating plates | |
| Park et al. | Validation of the whole-body counting measurement in a radiation emergency | |
| JP7378377B2 (ja) | 放射線分析装置およびダストモニタ装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |