KR20220014329A - X- 또는 감마 방사선을 방출하는 원자 종을 식별하기 위한 방법 및 디바이스 - Google Patents

Abstract

장면에서 X- 또는 감마 방사선을 방출하는 방출 종 (S₁…S_N) 을 식별하기 위한 방법으로서, 여기서, 방사선의 스펙트럼은 복수의 컨볼루션 뉴럴 네트워크들의 제 1 세트 (CBNN_ID) 의 입력으로서 공급되고, 제 1 세트의 각각의 컨볼루션 뉴럴 네트워크는 식별될 적어도 하나의 원자 종과 연관되고 장면에서의 원자 종의 존재 또는 부존재를 나타내는 적어도 하나의 출력 (CS) 을 갖는다. 유리하게, 복수의 컨볼루션 뉴럴 네트워크들의 제 2 세트 (CBNN_PRO) 는 장면으로부터 발산하는 X- 또는 감마 방사선에 존재하는 각각의 방출 종의 신호 비율을 결정할 수 있게 한다. 또한, 그러한 방법을 구현하기 위한 디바이스가 개시된다.

Description

X- 또는 감마 방사선을 방출하는 원자 종을 식별하기 위한 방법 및 디바이스

본 발명은 X- 또는 감마 방사선을 방출하는 방출 종을 식별하고, 우선적으로, 방사선에 대한 각각의 종의 기여도를 정량적으로 결정하기 위한 방법 및 디바이스에 관한 것이다. 본 발명은 핵 계측의 기술 분야에 관한 것으로서, 더 구체적으로, X- 및 감마 분광법에 관한 것이다.

본 발명은 샘플에서 또는 환경에서 X-형광을 나타내는 방사성핵종 및/또는 원자 종을 식별하기 위해 필요할 때마다, 즉, 방사화학, 화학 및 방사화학 분석들, 핵 사이트들의 오염제거 및 해체 등에 적용한다.

X- 또는 감마 방사선은 100 eV 초과의 에너지의 전자기 방사선인 것으로 이해되며; 더 구체적으로, 본 발명의 맥락에서는, 대략 2 keV 와 2 MeV 사이에 있는 에너지의 방사선에 집중한다. X- 및 감마 방사선 간의 구별은 방사선의 본성에 기초하지 않고, 그 기원에 기초한다: 즉, X-방사선은 전자 기원 (통상적으로, 내부 에너지 레벨들을 수반하는 전자 전이들) 을 갖는 반면, 감마 방사선은 핵 기원이다. 또한, 본 발명은 X-형광 스펙트럼에 기초하여 반드시 방사성일 필요는 없는 원자 종 및 감마 방사선 스펙트럼으로부터의 방사성핵종 (동위원소) 을 식별할 수 있게 한다. X-형광 스펙트럼으로부터 식별될 수 있는 원자 종 및 감마 스펙트럼으로부터 식별될 수 있는 방사성핵종은 표현 "방출 종" 에 의해 공동으로 표시된다. 이하, 방출 종이 방사성핵종인 경우가 더 구체적으로 고려될 것이지만, 달리 표시되지 않으면, 서술된 모든 것은 또한 X-방출기들에도 적용될 수 있다.

감마 방사선에 기초하여 방사성핵종을 식별하기 위한 종래의 방법들은 주로, 검출기의 취득으로부터 도출되는 스펙트럼에서의 광전 피크들의 추출 또는 스펙트럼에서의 관심 구역들의 연구에 기초한다. 예를 들어, (Lutter 2018) 참조.

이러한 타입의 방법에 있어서, 관심있는 방사성핵종 (감마 또는 X-레이 라인) 의 스펙트럼 시그너처 특성은 가우시안 모듈 및 연속적 배경에 맞추어져 그로부터 에너지의 관점에서 그들의 포지션을 추론한다. 스펙트럼에 존재하는 하나 이상의 피크들은 방사성 동위원소의 핵 라인들의 테이블들과 (또는 상이한 원소들의 X-형광 라인들과) 동시에 비교되며, 이는 이들이 식별되게 한다.

이들 방법들은 스펙트럼의 관심 구역들을 식별하기 위해 전문가에 대한 의존을 요구하는 단점을 제시한다. 더욱이, 이들은 식별될 피크들을 명확하게 드러내기에 충분한 광자 통계치들을 요구한다. 스펙트럼의 연속적 배경 (콤프턴 (Compton) 배경) 에 포함된 정보는 손실된다.

그러한 방법들은 인공 지능 기법들, 특히, 뉴럴 네트워크들을 수반할 수 있다. 1995년 초에 (Vigneron 1995), 우라늄의 농축률을 결정하기 위해 "다층 퍼셉트론" 타입의 뉴럴 네트워크에 의하여 감마 방출 피크들을 분석하는 것이 제안되었다. 더 최근에, (Yoshida 2002) 는 "다층 퍼셉트론" 타입의 뉴럴 네트워크를 혼합물에서의 방사성핵종의 식별에 적용하였고, (Medhat 2012) 는 정량적 방사화학 분석에 적용하였다. 하지만, 인공 지능 기법들의 사용은 이들 접근법들의 모든 단점들, 및 특히, 분석될 스펙트럼들의 관심 영역들을 결정하기 위한 "전문가" 프리프로세싱에 대한 필요성을 극복할 수 있게 하지는 않는다.

다른 기법들이, 전문가 프리프로세싱에 대한 필요성없이, 모든 스펙트럼이 분석되게 한다.

예를 들어, (Olmos 1991) 은 뉴럴 네트워크를 사용하여, 혼합물에 의해 방출된 전체 감마 방사선 스펙트럼에 기초하여 혼합물에서의 방사성핵종을 식별하는 것을 제안한다. 그 물품은 실제로 사용된 뉴럴 네트워크의 타입을 명시하지 않고; 더욱이, 요구된 신호 레벨은 비교적 높아야 한다 (메인 방출 피크에서만 검출된 대략 10⁴ 광자들).

(Bobin 2016) 은 "스파이킹 뉴럴 네트워크들" 을 사용하여, 혼합물에 의해 방출된 감마 방사선 스펙트럼에 기초하여 혼합물에서의 방사성핵종의 비율을 결정한다. 그 방법은 소스의 스펙트럼의 정확한 모델을 요구하고, 구성의 변화들 (방사선의 감쇠/산란의 레이트의 변동들) 에 강인하지 않다. 더욱이, 이는 방사성핵종을 식별할 수 없게 하고: 또한, 낮은 비율들로 발견되는 원자 종이 부존재하거나, 실제로 낮은 비율들로 존재하는지 여부를 알 수 없다.

(Kamuda 2017) 은 합성 데이터에 대해 트레이닝된 퍼셉트론 타입의 뉴럴 네트워크를 사용하여, 소스에 의해 방출된 감마 방사선에 기여하는 각각의 방사성핵종의 비율을 결정한다. 본질적으로, 그 방법은 한정된 수 (예를 들어, 4) 의 별개의 방사성핵종만을 식별할 수 있게 한다.

(Abdel-Aal 1997) 은 관심 영역들이 자동으로 식별되는 낮은 분해능을 갖는 스펙트럼들에 기초하여 수개의 소스들의 상대적 강도들을 결정하기 위해 귀추성 (abductive) AIM 타입의 뉴럴 네트워크들을 사용한다. (Bobin 2016) 에서와 같이, 이는, 낮은 비율들로 발견되는 원자 종이 부존재하거나, 실제로 낮은 비율들로 존재하는지 여부를 알 수 없다.

US 2019/034786 은, 일반적으로 및 거의 상세하지 않게, 방사성핵종을 검출 또는 식별하기 위해 다층 퍼셉트론의 사용을 개시한다. 퍼셉트론은, 각각이 방출 종 또는 방출 종의 그룹에 대응하는 수개의 출력들을 가질 수 있다.

CN 109 063 741 은 또한, 방사성핵종을 검출 또는 식별하기 위해 뉴럴 네트워크들의 사용을 개시한다. 더 구체적으로, 그 문서는 뉴럴 네트워크의 적용 전에 힐버트 곡선에 의하여 스펙트럼들의 2차원 이미지들로의 변환을 개시한다.

본 발명은 종래 기술의 전술된 결점들을 극복하는 것을 목적으로 한다. 더 구체적으로, 본 발명은, X- 또는 감마 스펙트럼에 기초하여 혼합물에서의 임의의 수의 방출 원자 종의 식별을 허용하고, 장면의 구성 (환경에 존재하는 소스 또는 소스들과 분광 검출기 사이의 흡수제 또는 산란 재료의 존재) 과 무관하게 그리고 스펙트럼의 관심 영역들의 식별을 포함하는 복잡한 프리프로세싱없이 그렇게 하는 것을 목적으로 한다.

유리하게, 더욱이, 본 발명은 방출 종의 각각의 존재의 확률, 및 우선적으로, 이 확률에 대한 불확실성을 결정하는 것을 목적으로 한다.

유리하게, 더욱이, 본 발명은 각각의 식별된 소스의 신호에서의 비율을 결정하고, 이 비율에 대한 불확실성을 제공하는 것을 목적으로 한다.

유리하게, 더욱이, 본 발명은, 각각의 검출된 이벤트의 에너지를, 이벤트별로, 측정 및 복원하거나, 또는 적어도, 측정된 에너지들의 스펙트럼을 공급할 수 있다면, 상이한 타입들의 분광 검출기 (CdTe, CdZnTe, HgI₂, NaI, HPGe 또는 keV 내지 MeV 에너지 대역 내에서 동작하는 임의의 타입의 감마 분광계 등) 의 사용을 허용하는 것을 목적으로 한다.

유리하게, 더욱이, 본 발명은 길고 복잡한 미세 에너지 캘리브레이션 동작들을 회피시킬 수 있게 하고, 시간에 걸친 검출기의 또는 동작 조건들의 임의의 드리프트들을 극복할 수 있게 하는 것을 목적으로 한다. 이상적으로, 2% 정도의 에러를 갖는 공장 캘리브레이션은 방출 종을 식별하고, 필요하다면, 그들의 비율을 결정하기에 충분해야 한다.

본 발명의 일 양태에 따르면, 이들 목적들 중 적어도 일부는, 각각이 단일 방출 종을 식별하는 것으로 충전되는 컨볼루션 타입의 복수의 뉴럴 네트워크들의 사용을 통해 달성된다. 변형예로서, 나중에 더 상세히 논의될 바와 같이, 각각의 뉴런은 방출 종의 별개의 그룹을 식별하는 것으로 충전될 수 있을 것이다.

본 발명의 다른 양태에 따르면, 이들 목적들 중 적어도 일부는, 각각이 단일의 이미 식별된 방출 종 (또는 방출 종의 그룹) 의 비율을 결정하는 것으로 충전되는 컨볼루션 타입의 제 2 복수의 뉴럴 네트워크들의 사용을 통해 달성된다.

본 발명의 다른 양태에 따르면, 이들 뉴럴 네트워크들은 합성 스펙트럼 데이터에 대해 트레이닝된다.

본 발명의 다른 양태에 따르면, 방출 종을 식별하기 위해 뉴럴 네트워크들에 대한 입력으로서 공급된 스펙트럼들은 로그 스케일로 미리 변환된다.

본 발명의 다른 양태에 따르면, 각각의 방출 종의 존재에 대한 및 필요하다면 비율에 대한 불확실성의 레벨들을 결정하기 위하여 이들 뉴럴 네트워크들에 "드롭아웃" 동작 (내부 층들의 뉴런들의 일부분의 랜덤 스위칭 오프) 이 적용된다.

본 발명의 다른 양태에 따르면, 상이한 뉴럴 네트워크들 각각은, 예를 들어, "소프트맥스" 타입의 활성화 함수를 사용하여, 상보적 출력들의 뉴런들의 쌍을 갖는다.

본 발명의 다른 양태에 따르면, 일단 방출 종이 식별되면, 이 정보는 검출기의 에너지 "셀프 캘리브레이션" 을 수행하는데 사용된다.

따라서, 본 발명의 하나의 주제는 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 방법이고, 그 방법은,

a) 분광 검출기에 의하여, 장면으로부터 발산하는 X- 또는 감마 방사선의 스펙트럼을 취득하는 단계;

b) 적어도 하나의 정규화를 포함하는 제 1 데이터 변환 동작을, 취득된 스펙트럼에 적용하는 단계;

c) 변환된 스펙트럼을 복수의 컨볼루션 뉴럴 네트워크들의 제 1 세트의 입력으로서 공급하는 단계로서, 상기 제 1 세트의 각각의 컨볼루션 뉴럴 네트워크는 식별될 개별 방출 종과 연관되거나, 또는 식별될 방출 종의 개별 그룹과 연관되고, 적어도 하나의 출력을 갖는, 상기 복수의 컨볼루션 뉴럴 네트워크들의 제 1 세트의 입력으로서 공급하는 단계; 및

d) 제 1 세트의 각각의 컨볼루션 뉴럴 네트워크에 대해, 대응하는 방출 종, 또는 방출 종의 대응하는 그룹이 상기 출력 또는 출력들의 함수로서 장면에 존재하는지 여부를 결정하는 단계를 포함하고,

단계 a) 내지 단계 d) 는 신호 프로세싱 회로에 의하여 구현된다.

본 발명의 다른 주제는 명령들을 포함하는 컴퓨터 프로그램 제품이며, 명령들은, 프로그램이 컴퓨터에 의해 구동될 경우, 컴퓨터로 하여금 그러한 방법의 단계 b) 및 후속 단계들을 구현하게 한다.

본 발명의 또다른 주제는 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 디바이스이고, 그 디바이스는,

- 분광 검출기에 의해 생성된 신호들을 프로세싱하는 신호 프로세싱 회로를 포함하고, 상기 회로는,

- 상기 검출기로부터, 일련의 이벤트들을 취득하는 것으로서, 각각의 이벤트는 상기 분광 검출기에 의해 검출된 X- 또는 감마 광자의 에너지 값을 나타내는 물리량과 연관되는, 상기 일련의 이벤트들을 취득하고;

- 상기 일련의 이벤트들을, 캘리브레이션 파라미터들의 세트에 의존하는 캘리브레이션 함수의 적용에 의해 X- 또는 감마 방사선의 에너지 스펙트럼으로 변환하고;

- 적어도 하나의 정규화를 포함하는 제 1 데이터 변환 동작을, X- 또는 감마 방사선의 에너지 스펙트럼에 적용하고;

- 이에 따라 변환된 스펙트럼을 복수의 컨볼루션 뉴럴 네트워크들의 제 1 세트의 입력으로서 공급하는 것으로서, 상기 제 1 세트의 각각의 컨볼루션 뉴럴 네트워크는 개별 방출 종과 연관되거나, 또는 방출 종의 개별 그룹과 연관되고, 적어도 하나의 출력을 갖는, 상기 복수의 컨볼루션 뉴럴 네트워크들의 제 1 세트의 입력으로서 공급하고; 그리고

- 제 1 세트의 각각의 컨볼루션 뉴럴 네트워크에 대해, 대응하는 방출 종, 또는 방출 종의 대응하는 그룹이 상기 출력 또는 출력들의 함수로서 장면에 존재하는지 여부를 결정하도록 구성되거나 프로그래밍된다.

그러한 디바이스의 특정 실시형태들에 따르면:

방사선 검출기에 의해 생성된 신호들을 프로세싱하는 신호 프로세싱 회로는 또한,

- 적어도 하나의 정규화를 포함하는 제 2 데이터 변환 동작을, X- 또는 감마 방사선의 에너지 스펙트럼에 적용하고;

- 이에 따라 변환된 스펙트럼을 복수의 컨볼루션 뉴럴 네트워크들의 제 2 세트의 입력으로서 공급하는 것으로서, 상기 제 2 세트의 각각의 컨볼루션 뉴럴 네트워크는 장면에 존재하는 것으로서 결정된 하나 이상의 개별 방출 종과 연관되고, 적어도 하나의 출력을 갖는, 상기 복수의 컨볼루션 뉴럴 네트워크들의 제 2 세트의 입력으로서 공급하고; 그리고

- 제 2 세트의 각각의 컨볼루션 뉴럴 네트워크에 대해, 상기 스칼라 출력 또는 스칼라 출력들의 쌍의 함수로서, 대응하는 방출 종 또는 종의 신호 비율을 결정하도록 구성되거나 프로그래밍될 수 있다.

방사선 검출기에 의해 생성된 신호들을 프로세싱하는 신호 프로세싱 회로는 또한, 장면에 존재하는 것으로서 결정된 방출 종의 함수로서 계산된 이론적 스펙트럼과 취득된 스펙트럼 사이의 상관 함수의 최대화에 의해 상기 캘리브레이션 파라미터들의 최적 값들을 결정하도록 구성되거나 프로그래밍될 수 있다.

각각의 컨볼루션 뉴럴 네트워크는 단일의 개별 방출 종과 연관될 수 있다.

각각의 컨볼루션 뉴럴 네트워크는 상보적 출력 뉴런들의 쌍을 포함할 수 있다.

검출된 X- 또는 감마 광자들은 2 keV 와 2 MeV 사이에 있는 범위의 적어도 일부 내에서 에너지를 나타낼 수 있다.

그 디바이스는 또한 상기 분광 검출기 (SPM) 를 포함할 수 있다.

첨부된 도면들은 본 발명을 예시한다.
도 1 은 본 발명의 일 실시형태에 따른 디바이스의 블록 다이어그램이다.
도 2 는 본 발명에 따른 디바이스 및/또는 방법에서 사용될 수 있는 컨볼루션 뉴럴 네트워크의 표현이다.
도 3 은 본 발명의 일 실시형태에 따른 방법의 플로우 다이어그램이다.
도 4 는 X- 또는 감마 방사선 스펙트럼의 일 예이다.
도 5 는 도 4 의 방사선을 야기하는 원자 종의 식별을 예시한다.
도 6 은 이들 원자 종의 비율들의 결정을 예시한다.
도 7a, 도 7b, 도 7c, 도 7d, 도 7e, 및 도 7f 는 단일 출력보다는 2개의 상보적 출력들을 갖는 뉴럴 네트워크들의 사용에 의해 부여되는 이점을 예시한다.
도 8a, 도 8b, 및 도 8c 는 원자 종의 식별을 위해 및 방사선에 대한 이들의 기여도의 정량화를 위해 별도의 뉴럴 네트워크들의 사용에 의해 부여되는 이점을 예시한다.

도 1 의 디바이스는 X- 또는 감마 방사선의 분광 검출기 (즉, 검출된 광자들의 에너지에 민감한 검출기) 및 방사선 검출기에 의해 생성된 신호들을 프로세싱하기 위한 신호 프로세싱 회로 (CTS) 를 포함한다.

분광 검출기 (SPM) 는, 바람직하게는 픽셀화된 감응 엘리먼트 (ES), 아날로그 판독 회로 (EL) 및 아날로그-디지털 컨버터 (ADC) 를 포함한다.

분광 검출기는, 그 검출기로부터 상이한 거리들에 잠재적으로 위치되는 활동 (A_i (A₁ … A_N)) - 그 아이덴티티 및 상대적인 풍부성은 선험적으로 알려지지 않음 - 의 다양한 방사성핵종 (또는 X-형광의 방사선을 방출하는 원자 종) (S_i (S₁ … S_N)) 이 존재하는 장면 (SC) 으로부터 발산한 광자들을 취득한다. 흡수제 또는 산란 재료 (ABS) 는 하나 이상의 소스들과 검출기 사이에 위치될 수 있다. 각각의 방사성핵종 (S_i) 은 에너지들 (E_k,_i) 을 갖는 광자들 (P_i) 을 방출한다. 예를 들어, P₁(E_k,1) 는 제 1 방사성핵종 (S₁) 에 의해 방출되는 에너지 (E_k,1) 의 광자를 나타내는데 사용된다.

감응 엘리먼트 (ES) 는 스펙트럼 범위 (2 keV - 2 MeV) 의 적어도 일부 내에서 장면으로부터 발산하는 X/감마 광자들을 검출하기에 적합한 임의의 타입일 수 있다. 이는, 예를 들어, Si, Ge, CdTe 등으로 구성되는 반도체 픽셀, 신틸레이션 센서, 페로브스카이트 센서 등일 수 있다.

감응 엘리먼트는 수신된 각각의 X- 또는 감마 광자의 에너지를 나타내는 물리량, 일반적으로, 전기적 형태의 신호를 생성한다 (통상적으로, 이는 전하가 그 에너지에 비례하는 전류 펄스임). 전자 판독 회로 (EL) 는 감응 엘리먼트로부터 오는 신호들의 종래의 아날로그 프리프로세싱: 즉, 증폭, 펄스들의 성형, 그들의 높이 또는 에너지의 검출을 수행한다. 판독 전자기기들로부터 오는 아날로그 신호들 (SA) 은 컨버터 (ADC) 에 의해 디지털 포맷으로 변환된다.

바람직하게, 광자들은 하나씩 검출되고, 그들의 에너지는 검출기에 의해 기록되고 날짜 스탬핑된다. 컨버터 (ADC) 로부터의 디지털 데이터 스트림 (FDN) 에 포함된 이러한 정보는 프로세싱 회로 (CTS) 로 송신된다. 프로세싱 회로 (CTS) 는 내장되거나 원격일 수 있으며, 원격인 경우, 원격통신 링크가 분광 검출기와 프로세싱 회로 사이에 확립되어야 한다.

신호 프로세싱 회로는, 적절하게 프로그래밍된, 신호들의 디지털 프로세싱을 위한 하나 이상의 범용 또는 전용 프로세서들을 포함할 수 있다. 변형예로서 또는 부가적으로, 이는 전용 디지털 회로들을 포함할 수 있다. 일반적으로, 더욱이, 이는, 프로세싱될 데이터 (특히, 분광 검출기에 의해 생성된 이벤트들) 를 저장하기 위한 랜덤 액세스 메모리들 및 캘리브레이션 파라미터들, 뉴럴 네트워크 계수들 등을 저장하기 위한 랜덤 액세스 및/또는 판독 전용 메모리들을 포함한다. 일반적으로, 본 발명은 특정 신호 프로세싱 회로 제조 기술로 제한되지 않는다. 이 회로의 하기의 설명에서, 블록들 및 모듈들로의 브레이크다운은 전적으로 기능적이며, 이들 블록들 및 모듈들은 반드시 별개의 물리적 엘리먼트들에 대응할 필요는 없다.

도 1 의 실시형태에 있어서, 신호 프로세싱 회로 (CTS) 는 3개의 모듈들: 즉, 소스 식별 모듈 (ID), 트레이닝 모듈 (APP) 및 셀프 캘리브레이션 모듈 (AE) 을 포함한다. 다른 실시형태들에 있어서, 트레이닝 모듈이 부존재할 수도 있고, 이 경우, 식별 모듈의 뉴럴 네트워크들의 트레이닝은 다른 디바이스에 의하여 수행되고, 학습된 뉴럴 네트워크들의 계수들은 방출 종을 식별하기 위한 디바이스에 단순히 전달된다. 다른 실시형태들에 있어서, 셀프 캘리브레이션 모듈이 부존재할 수도 있지만, 이는 정확한 캘리브레이션이 (예를 들어, 계측 실험실에서) 미리 수행되어야 하고 분광 검출기의 응답으로 드리프트들을 최소화하기 위해 예방조치가 취해져야 할 것을 의미한다.

분광 검출기로부터의 디지털 데이터 스트림 (FDN) 은 회로 (CTS) 의 식별 모듈에 의해 수신되고 이벤트 메모리 (MEV) 에 저장된다. 스펙트럼 구성 모듈 (MCS) 은 메모리에 저장된 이들 이벤트들을 캘리브레이션 테이블 (TE) 을 사용하여 스펙트럼들로 변환하며, 이는 광자 에너지를 각각의 검출 이벤트와 연관시킬 수 있게 한다. 미리 확립된 이러한 캘리브레이션 테이블은, 2% 만큼 높을 수 있는 에너지 값들에 대한 에러로 비교적 부정확할 수 있다. 하기에서 상세히 설명될 바와 같이, 셀프 캘리브레이션 모듈 (AE) 은 캘리브레이션 테이블들의 정확성을 개선하기 위해 캘리브레이션 테이블들을 업데이트할 수 있게 한다. 픽셀화된 검출기의 경우, 캘리브레이션은 픽셀별로 수행되고, 각각의 픽셀에 대해 상이한 캘리브레이션 테이블을 갖는다.

각각의 스펙트럼은 실제로, 에너지 히스토그램이고: 에너지 값은 각각의 이벤트에 기인되고; 이벤트들은 에너지 클래스들 ("빈"들) 로 그룹화되고, 스펙트럼은 각각의 클래스에 속하는 이벤트들의 수로 구성된다. 따라서, "스펙트럼" 은 주어진 시간 인터벌에 걸쳐 검출된 광자들의 스펙트럼 분포를 의미하도록 이해되며, 그 지속기간은 사용자에 의해 설정되거나 선택될 수 있다.

그 다음, 데이터 변환 모듈 (MTD) 이 스펙트럼 프리프로세싱 동작들을 수행한다. 여기에서 고려되는 실시형태에 있어서, 2개의 별개의 프리프로세싱 동작들이 수행된다.

한편으로, 각각의 취득된 스펙트럼은 로그 스케일로 변환되고, 그 다음, 정규화된다. 이에 따라 변환된 스펙트럼 (SNlog) 은 방출 종의 식별을 위해 사용된다. 더 구체적으로, Si 를 i번째 에너지 클래스의 이벤트들의 수인 것으로 한다. 제 1 동작이 적용된다.

[수식 1]

그 다음, 정규화된 스펙트럼이 다음과 같이 계산된다:

[수식 2]

로그 스케일의 사용은 낮은 진폭의 스펙트럼 구조들을 드러낼 수 있게 하지만, 이는 방출 종의 식별에 효과적으로 기여한다.

다른 한편으로, 스펙트럼은 또한, 로그 변환없이 norm1 (이는, 각각의 에너지 클래스와 연관된 값들의 합이 1 임을 보장하는 것에 있음) 로 정규화된다. 이에 따라 변환된 스펙트럼 (SN1) ([수식 3] 에 의해 주어짐) 은,

[수식 3]

식별된 방출 종의 비율들을 결정하는데 사용된다.

더 일반적으로, 프리프로세싱은 스케일 변환일 수 있다. 모든 경우들에서 그리고 CN 109 063 741 의 교시와는 대조적으로, 데이터의 차원의 변화는 없다 - 프리프로세싱 스펙트럼들은 1차원으로 유지된다.

스펙트럼 (SNlog) 은 복수의 "베이지안" 컨볼루션 뉴럴 네트워크들 (M) 을 구현하는 모듈 (CBNN_ID) 에 대한 입력으로서 공급되며, 그 컨볼루션 뉴럴 네트워크들의 각각은 입력으로서 스펙트럼의 모두를 취하고, 그 출력에서, 특정 방사성핵종 (인덱스 "j" 에 의해 식별됨) 의 장면에서의 존재의 확률 및 그 확률에 대한 신뢰성의 레벨을 나타내는 값 (PPj) 을 공급한다. 따라서, 식별될 수 있도록 소망되는 각각의 방출 종에 대한 별개의 뉴럴 네트워크가 존재한다. 이들 베이지안 컨볼루션 뉴럴 네트워크들의 구조 및 동작은 하기에서 더 상세히 설명될 것이다.

임계화 모듈 (MS) 은, 어떤 방출 종이 장면에 효과적으로 존재하는 것으로서 고려되는지를 결정하는데 사용된다. 이를 위해, 임계화 모듈은 존재의 확률 및 가능하게는 그 불확실성의 레벨을 고려한다.

따라서, 식별 모듈의 출력에서, 장면에 존재하는 방출 종의 리스트 (LEA) 가 획득된다.

norm 1 로 정규화된 스펙트럼 (SN1) 은, 각각이 특정 방사성핵종에 대응하는 복수의 "베이지안" 컨볼루션 뉴럴 네트워크들을 구현하는 모듈 (CBNN_PRO) 에 대한 입력으로서 공급된다. 장면에 존재하는 것으로서 이미 식별된 방사성핵종 "j" 에 대응하는 모듈 (CBNN_PRO) 의 각각의 뉴럴 네트워크는 모든 스펙트럼을 입력으로서 취하고, 그 출력에서, 기록된 신호에서의 이러한 방사성핵종의 비율을 나타내는 값 (PROj) 및 이 비율에 대한 신뢰성의 레벨을 공급한다. 즉, 값 (PROj) 은 방사성핵종 "j" 에 기인될 수 있는 기록된 광자들의 퍼센티지에 대응한다 (언어의 오용을 통해, 표현 "장면에서의 방사성핵종 "j" 의 비율" 이 더 간단히 사용되지만, 이는, 모든 방출기들이 검출기로부터 동일한 거리에 있고 동일한 흡수제/산란 재료들의 존재 하에 있으면, 특정 조건에서만 정확히 동일함). 따라서, 각각의 원자 종에 대한 별개의 뉴럴 네트워크가 존재한다. 이들 뉴럴 네트워크들은 방출 종의 식별을 위해 사용되는 것과 동일한 타입일 수 있다.

따라서, 식별 모듈의 출력에서, 식별된 원자 종의 비율들의 리스트 (LP) 가 또한 획득된다.

모듈들 (CBNN_ID 및 CBNN_PRO) 의 뉴럴 네트워크들은, 트레이닝 모듈 (APP) 에 의해 생성된, 시뮬레이션된 데이터를 유지하기 위한, 합성 데이터베이스 (BDS) 로부터의 지도식 (supervised) 트레이닝에 의해 이전에 트레이닝되었다. 트레이닝은, 메모리들에 저장되는, 비율들을 식별 및 결정하기 위해 뉴럴 네트워크들을 특성화하는 파라미터들의 2개의 데이터베이스들 (PRN_ID 및 PRN_PRO) 를 생성한다.

합성 스펙트럼들은, 검출기에서의 및 검출기의 직접 환경에서의 광자-재료 상호작용들, 및 유리하게는 임의의 배경 노이즈를 시뮬레이션할 수 있게 하는 몬테카를로 시뮬레이터에 의해 생성된다 (도 1 에서의 블록 (SS)). 그 다음, 각각의 광자에 대해, 검출기의 응답, 즉, 전자-정공 쌍들의 생성에서의 통계적 변동들로 인한 에너지 분해능, 전자 노이즈 및 검출기에서의 전하 손실로 인한 에너지 분해능을 적용하는 것이 필요하다 (블록 (RD)). 이는, 원하는 만큼 많은 소스들을 포함하는 관심 소스들의 주어진 리스트에 대해 단지 한번 적용되는 물리적 모델이다.

각각의 방출 원자 종은 독립적으로 시뮬레이션되고, 시뮬레이션된 데이터는 분광 검출기에서 각각의 광자에 의해 퇴적된 에너지를 제공하는 이벤트들의 리스트의 형태로 복원된다. 다음으로, 상이한 방사성 원소들의 혼합물들이 또한 합성적으로 생성되며 (MIX 블록): 이를 위해, 혼합물의 각각의 방사성 원소에 대해 시뮬레이션된 에너지 리스트들에서의 에너지들은 상이한 통계치들 및 상이한 비율들로 랜덤하게 인출된다. 각각의 방출 원자 종에 기인된 광자들의 비율이 기록된다.

그 다음, 의도적인 "디캘리브레이션 (decalibration)" 이 캘리브레이션 법칙들의 드리프트의 효과를 학습하기 위해 뉴럴 네트워크들에 대해 적용된다. 오프셋 (off) 이, 0 에 중심을 둔 그리고 표준 편차 (σoff) 인 가우시안임에 따라, 이득 (g) 은, 1 에 중심을 둔 그리고 표준 편차 (σgain) 인 가우시안으로 인출된다. 그 다음, 하나의 및 동일한 혼합물의 모든 에너지들 (E) 에 걸쳐, 새로운 디캘리브레이션된 에너지 (Ed) 가 다음에 의해 계산된다:

[수식 3]

각각의 소스 및 소스 혼합물의 수개의 디캘리브레이션 합성 스펙트럼들이 트레이닝을 위해 사용된 데이터베이스 (BDS) 에 기록된다.

블록들 (A_ID1 - A_IDM) 은 블록 (CBNN_ID) 의 M개의 컨볼루션 뉴럴 네트워크들의 지도식 트레이닝 알고리즘들을 구현하고, 이들 뉴럴 네트워크들을 각각 특성화하는 파라미터들의 M개의 세트들을 생성하며; 이들 파라미터들은 전술된 데이터베이스 (BDN_ID) 에 저장된다. 마찬가지로, 블록들 (A_PRO1 - A_PROM) 은 블록 (CBNN_PRO) 의 M개의 컨볼루션 뉴럴 네트워크들의 지도식 트레이닝 알고리즘들을 구현하고, 이들 뉴럴 네트워크들을 각각 특성화하는 파라미터들의 M개의 세트들을 생성하며; 이들 파라미터들은 전술된 데이터베이스 (BDN_PRO) 에 저장된다.

블록 (SS) 의 합성 소스들은 또한, 분광 검출기의 셀프 캘리브레이션의 프로세스를 구현하기 위하여 모듈 (AE) 에 의해 사용된다. 소스에 존재하는 방사성핵종 및 그 비율들 (식별 모듈 (ID) 에 의해 공급된 데이터) 을 아는 것에 의해, 실제로, 이들 합성 소스들을 사용하여 "예상된" 스펙트럼을 계산하는 것이 가능하다. 그 다음, 적응적 메시 또는 유전 알고리즘 타입의 알고리즘이, 이러한 예상된 스펙트럼과 모듈 (MCS) 에 의해 공급된 것 사이의 상관을 최대화하는 캘리브레이션 파라미터들의 세트를 찾기 위해 블록 (ECC) 에 의해 사용된다. 이들 파라미터들은, 모듈 (ID) 에 의해 사용된 캘리브레이션 테이블들을 업데이트하는데 사용된다. 특정 블록들 (MEV, MCS, SS, TE) 은 가독성의 관심들에 있어서 도 1 에서의 수개의 포인트들에서 나타남이 주목될 것이다.

블록 (ECC) 는 (Maier 2016) 에서 기술된 상관에 의해 에너지 캘리브레이션 알고리즘을 구현한다.

이러한 캘리브레이션은 사용자의 개입을 요구하지 않으며, 분석될 장면에서 실시간으로 수행되는 측정에만 의존한다.

방출 원자 소스들의 식별 및 그 비율들의 결정을 위해 사용되는 베이지안 컨볼루션 네트워크들이, 이제, 도 2 의 도움으로 설명될 것이다.

그 자체로 공지된 바와 같이 - 예를 들어 (Aloysius 2017) 참조 - 컨볼루션 네트워크는 입력 스펙트럼들의 상이한 특성들을 추출할 수 있게 하는 수개의 컨볼루션층들로 구성된 제 1 부분 및 다층 퍼셉트론으로 이루어진 제 2 부분을 포함한다 (문헌에서, 표현 "완전히 연결된" 층들이 또한 사용됨).

도 1 의 실시형태에 있어서, 입력은 2000개의 채널들을 포함하는 스펙트럼 (SP0) 으로 이루어지고, 각각의 채널은 개별 스펙트럼 대역 내의 스펙트럼의 에너지를 나타내는 값이다.

제 1 컨볼루션층 (CC1) 은 16개의 컨볼루션 뉴런들을 포함한다. 각각의 컨볼루션 뉴런은 다음의 동작들을 수행한다:

- 데이터의 차원을 보존하기 위해 제로 충진되는, 16개 엘리먼트들의 커널을 갖는 컨볼루션 필터에 의한 필터링

- 사이즈 2 "최대 풀링" 동작에 의한 필터의 출력의 차원 감소

- 배치 (batch) 정규화

- ReLU 타입의 경우, 비선형 활성화 함수의 적용.

사이즈 2 최대 풀링 동작은 스펙트럼을 취하는 것 및 2개마다 더 큰 오직 하나의 채널만을 보존하는 것에 있다. 이는 스펙트럼의 차원을 2 의 팩터로 감소시킨다.

배치 정규화 동작 - 그 자체로 공지됨, (Ioffe 2015) 참조 - 은 배치들로 지칭되는 서브세트들에서 트레이닝 데이터베이스로부터 데이터를 수집하는 것, (나중에 설명될 바와 같이) 배치들의 각각에 대해 트레이닝 반복을 수행하는 것, 그 다음, 고려되는 배치에 대응하는 각각의 뉴런의 출력들을 평균 및 분산으로 정규화하는 것에 있다. 일단 트레이닝이 완료되면, 전체 데이터베이스에 걸친 정규화 파라미터들은, 뉴럴 네트워크들이 방출 종의 비율들의 식별 및 결정을 위해 사용될 경우에 동일한 정규화를 적용하기 위해 저장된다.

활성화 함수 (ReLU) 는 다음에 의해 정의된다:

ReLU(x)=max(0,x).

따라서, 제 1 컨볼루션층의 출력은 1000 차원의 16개 특성 스펙트럼들 (SP1,0 - SP1,15) 로 이루어진다. 이들 데이터는, 1000 차원의 데이터 상에서 동작하는 것을 제외하고, 제 1 컨볼루션층과 모든 면에서 유사한 제 2 컨볼루션층 (CC2) 에 대한 입력으로서 공급된다.

따라서, 제 2 컨볼루션층의 출력은 1000 차원의 16개 특성 스펙트럼들 (SP2,0 - SP2,15) 로 이루어진다. 이들 데이터는, 500 차원의 데이터 상에서 동작하고 따라서 그 출력은 250 차원의 16개 특성 스펙트럼들 (SP3,0 - SP3,15) 로 이루어진다는 것을 제외하고, 첫번째 2개의 컨볼루션층들과 모든 면에서 유사한 제 3 컨볼루션층 (CC3) 에 대한 입력으로서 공급된다.

250 차원의 16개 특성 스펙트럼들 (SP3,0 - SP3,15) 은, 컨볼루션층들과 같이, ReLU 타입의 활성화 함수를 사용하여 퍼셉트론층 (CP) 의 20개 뉴런들의 각각에 대한 입력으로서 모두 공급되는 4000개 엘리먼트들의 벡터 (SPA4) 를 형성하도록 평탄화된다.

퍼셉트론의 마지막 층 또는 출력층 (CS) 는 "소프트맥스" 타입의 활성화 함수를 갖는 2개의 뉴런들로 우선적으로 구성되고, 여기에서, 활성화 함수 이전 뉴런의 출력을 나타내기 위해 x_i 를 사용하여:

[수식 4]

이고, j 는 2개의 출력 뉴런들을 식별하는 인덱스이다.

식별 네트워크들에 대해, 출력층의 제 1 뉴런은 혼합물에서의 방사성 원소의 존재 또는 부존재를 나타내는 0 과 1 사이에 있는 수를 제공하는 한편, 제 2 뉴런은 제 1 뉴런의 1 의 보수이다.

비율들을 평가하는 네트워크들에 대해, 제 1 뉴런은 방사성 원소의 신호 비율에 대응하는 0 과 1 사이에 있는 수를 제공하는 한편, 제 2 뉴런은 모든 다른 원소들의 신호 비율에 대응한다.

2개의 상보적 출력 뉴런들의 사용은 필수적인 것은 아니지만, 도 7a 내지 7f 의 도움으로 나중에 논의될 바와 같이 유리하다.

뉴럴 네트워크들의 파라미터들 또는 계수들 (컨볼루션층들 (CC1, CC2 및 CC3) 의 커널들, 퍼셉트론 층들의 시냅스 가중치들) 은, 예를 들어, 그래디언트 하강 알고리즘을 사용하여 지도식으로 학습된다. 예를 들어, 도 4 내지 도 6 을 참조하여 하기에서 논의되는 실시형태에 있어서, 확률적 그래디언트 하강 알고리즘은 각각의 반복에서 0.001 만큼 감소하는 0.01 의 트레이닝 레이트, 0.9 의 모멘트 및 네스테로프 모멘트의 사용으로 사용되며, 트레이닝은 1000개의 예들의 배치들에 대해 10회 반복들에 걸쳐 수행된다.

더 구체적으로, 이 실시형태에 있어서, 이러한 식별 네트워크에 대한 트레이닝 단계 동안 사용되고 최소화되는 비용 함수는 다음과 같이 정의되는 교차 바이너리 엔트로피이다:

[수식 6]

여기서, yreal 은 뉴런이 출력에서 가져야 하는 실제 값이고, ypred 는 네트워크에 의해 예측된 값이다.

비율들을 평가하기 위한 네트워크의 트레이닝은 norm1 정규화된 합성 스펙트럼들로 수행된다. 제 1 뉴런에 의해 예측될 출력은 혼합물에서의 방사성 원소의 비율이고, 제 2 뉴런의 출력은 다른 방사성 원소들의 비율이다.

이 네트워크에 대해 사용되고 최소화되는 비용 함수는 평균 이차 편차이다:

[수식 5]

2개의 비용 함수들은 데이터베이스의 모든 예들에 걸친 평균에 의해 평가된다.

도 2 의 뉴럴 네트워크의 "베이지안" 특성은 중간층들의 뉴런들의 일부분을 랜덤하게 드롭 아웃함 ("dropout") 으로써 획득되고, (Gal 2016) 참조, 이는 트레이닝에서 및 네트워크 사용 중에 동일하게 적용된다. 각각의 뉴럴 네트워크는 각각의 입력 스펙트럼에 복수회 적용되고, 뉴런들의 랜덤 스위칭 오프 때문에, 매회, 통계적 분포가 방출 원자 종 및/또는 그 비율의 식별에 영향을 미치는 불확실성을 알려주는 상이한 결과를 리턴한다. 예를 들어, 도 4 내지 도 6 을 참조하여 하기에서 논의되는 실시형태에 있어서, 뉴런들의 드롭아웃 레이트는 중간층들의 각각에 대해 50% 이고, 각각의 뉴럴 네트워크는 100회 적용된다.

도 3 은 상기 설명된 방출 원자 종을 식별하기 위한 방법을 개략적으로 예시한다.

단계 a) 는 분광 검출기 (SPM) 에 의한 스펙트럼의 취득을 포함한다.

단계 b) 는 식별 뉴럴 네트워크들의 적용 전에 데이터의 변환 - 즉, 본 발명의 선호된 실시형태에 있어서 - 스펙트럼의 로그 스케일로의 변환 및 그 정규화를 포함한다.

단계 c) 는 컨볼루션 뉴럴 네트워크들, 바람직하게는 베이지안의, 단계 c) 에 의해 변환된 스펙트럼으로의 적용을 포함한다.

단계 d) 는 식별 뉴럴 네트워크들의 출력들의 함수로서 장면에 존재하는 방출 종의 식별을 포함한다.

단계 e) 는 비율 뉴럴 네트워크들의 적용 전에 데이터의 변환 - 즉, 본 발명의 선호된 실시형태에 있어서 - norm1 로서의 스펙트럼의 정규화를 포함한다.

단계 f) 는 컨볼루션 뉴럴 네트워크들, 바람직하게는 베이지안의, 단계 e) 에 의해 변환된 스펙트럼으로의 적용을 포함한다.

단계 g) 는 비율 뉴럴 네트워크들의 출력들의 함수로서 단계 d) 에서 식별된 방출 종의 비율들의 결정을 포함한다.

단계 h) 는 단계 a) 의 구현을 위해 사용된 캘리브레이션 테이블들을 업데이트하는 셀프 캘리브레이션에 대응한다.

사전 단계 app) 는 단계 c) 및 단계 f) 에서 사용되는 뉴럴 네트워크들의 트레이닝에 대응한다.

그 방법은, 오직 방출 종의 식별만이 요구된다면 단계 c) 에서, 셀프 캘리브레이션이 사용되지 않는다면 단계 g) 에서라도, 종료될 수 있다.

본 발명은, 분광 검출기로서, 반도체 기반 픽셀화된 스펙트로-이미저 (CdTe) 및 그 최적화된 판독 회로들을 사용함으로써 테스팅되었다 (Gevin 2012). 스펙트로-이미저는, 2 mm 의 두께, 1 keV 내지 1 MeV 의 에너지 동적 범위, 및 0.7 keV (중간 높이에서의 총 폭) 내지 60 keV 의 에너지 분해능과 800 ㎛ 의 피치로 256개의 픽셀들을 포함한다.

동일한 타입이지만 1 mm 의 두께 및 625 ㎛ 의 피치를 갖는 스펙트로-이미저를 사용하여 유사한 결과들이 획득되었다. 검출기의 변화는 뉴럴 네트워크들의 재-트레이닝도 요구하지 않으며, 이는 본 발명에 따른 식별 방법의 강인성을 확인한다.

스펙트로-이미저는 진공 챔버에 설치되고, 펠티에 모듈들에 의해 대략 -15℃ 의 온도로 냉각되고, 300 V/mm 의 편광 필드를 적용받았다. 판독 회로들에 의해 기록된 신호는 인터페이스 카드 (CIF) 를 통해 프로그래밍가능 디지털 회로 (Zynq) 로 송신된다. 디지털 회로는 이벤트들을 저장하고, 이들을, 스펙트로-식별 프로세스가 수행되는 제어 컴퓨터로 송신한다. 이벤트들은 상호작용 픽셀, 비-캘리브레이션 퇴적된 에너지 및 상호작용 날짜를 포함하는 리스트의 형태로 리턴된다. 모든 픽셀들의 합산 스펙트럼은 실험실에서 단일의 초기 캘리브레이션에 의해 미리 결정된 캘리브레이션 테이블로 미리 캘리브레이션된다 (변형예로서, 취득 체인의 이론적 전달 함수가 적용될 수 있음).

합성 데이터가, 검출기 및 그 매우 가까운 환경, 즉, 검출기를 포함하는 구조를 모델링함으로써 반-분석 시뮬레이션을 사용하여 생성되었다. 환경 및 검출기에서의 광자-재료 상호작용들이 시뮬레이션되었고, 검출기에서의 에너지 퇴적물들 뿐 아니라 그들의 포지션이 기록되었다. Geant4 시뮬레이터가 또한, 이들 시뮬레이션들을 수행하는데 사용될 수 있다.

각각의 에너지 퇴적물에 대해, 통계적 에너지 변동들이, 다음의 표준 편차의, 퇴적된 에너지 (E0) 에 중심을 둔 가우시안으로 에너지를 인출함으로써 고려되었다:

[수식 7]

, 여기서,

εw = 4.42 eV 는 CdTe 에서의 전자-정공 쌍 생성 에너지이고, F = 0.15 는 CdTe 에 대한 파노 팩터이다.

전하의 손실을 고려하기 위해, 신호가 유도되는 전극에 대해 1 을, 그리고 다른 전극들에 및 캐소드에 대해 0 을 설정하는 제한 조건으로, 유한 차이 분해 방법을 사용하여 검출기 상의 원통형 좌표들의 관점에서 포아송 방정식 (△Uw=0) 을 푸는 것에 의해 검출기에서의 가중 전위가 계산되었다. 시뮬레이션 도메인은, 신호가 유도된 전극의 양측 상의 2개의 전극들로 확장되었다. 변형예로서, 유한 엘리먼트 분해 방법이 사용될 수 있었다. 그 다음, 전하의 손실 (CCE) 이 Hecht 방정식을 사용하여 심도 (z0) 의 함수로서 계산되었다:

[수식 8]

여기서, μeτe=1.14.10-3cm².V-1, μhτh=3.36.10-4cm².V-1, L= 2 mm 및 V0=600 V 이다.

상호작용 심도 (z0) 에서의 에너지 (ECCE) 는 다음에 의해 계산되었다.

[수식 9]

.

뉴럴 네트워크의 트레이닝을 위해 필수적이지는 않지만 검출기의 응답의 더 충실한 모델을 획득하기 위해, 1D 뿐만이 아닌 검출기에서 3D 로 전하의 손실을 계산하는 것이 또한 가능했을 것이다.

전자 노이즈에 링크된 에러는 표준편차 (σ=εw rms) 로 ECCE 에 중심을 둔 가우시안으로 기록된 최종 에너지를 인출함으로써 고려되었으며, 여기서, rms=50 e- 는 전자 노이즈로 인한 전자들의 수 rms 에 대응한다.

원자 종의 혼합물들의 리스트들을 생성하기 위해, 10 내지 천만개의 광자들이 각각의 개별적으로 시뮬레이션된 방사성 원소의 이벤트들의 각각의 리스트에서 인출되었으며, 그 인출은 복원으로 수행되고, 이는 동일한 에너지가 수회 인출될 수 있음을 의미한다. 디캘리브레이션이, σgain=0.0055 및 σoffset=0.5 keV 를 취함으로써 수행되었다. 이러한 방식으로, 200000개의 합성 혼합물들이 생성되었다.

합성 스펙트럼들은, 0 내지 1 MeV 의 에너지 동적 범위에 걸쳐 0.5 keV 폭의 2000개 채널들로 구성된 히스토그램을 제조함으로써 획득되었다.

그 비율들의 식별 및 결정을 위해 사용되는 뉴럴 네트워크들은 도 2 를 참조하여 상기 설명된 바와 같다.

도 4 는 57Co 및 137Cs 를 포함하는 혼합물에 스펙트로-이미저를 노출시킴으로써 획득되는 스펙트럼 (로그 스케일로 나타냄) 을 도시한다. 검출된 광자들의 수는 수천개 정도로 비교적 적다는 것을 유의한다.

도 5 는, 이들 핵종에 대응하지만 또한 장면 (241Am, 133Ba, 152Eu, 22Na) 에 존재하지 않는 다른 핵종들에도 대응하는 수개의 식별 뉴럴 네트워크들의 출력 값들을 도시한다. 더 구체적으로, 각각의 뉴럴 네트워크가 각각의 반복에 대해 뉴런들의 50% 를 랜덤하게 드롭아웃함으로써 100회 적용됨에 따라, 출력들의 통계적 분포가 획득된다. 수직 막대들은 메디안들을 나타내고, 에러 상자들은 제 1 및 제 3 사분위수에 대응하고, 에러 막대들은 제 1 및 제 9 십분위수에 대응한다.

검출 임계치는 메디안에 대해 0.5 로 설정되고, 이는, 식별 네트워크의 출력이 대응하는 방출 종의 존재의 확률을 나타냄이 고려된다면 자연스럽다. 출력들의 통계적 분산은 실제로 존재하는 방사성핵종에 대해서는 무시할 수 있고, 다른 방사성핵종들에 대해서는, 오류 긍정 (false positives) 의 어떠한 리스크도 생성하지 않도록 충분히 낮음을 유의한다.

도 6 은 대응하는 비율 뉴럴 네트워크들을, 매회, 뉴런들의 50% 를 드롭아웃하는 100 회 적용함으로써 획득되는, 57Co 및 137Cs 의 비율들의 (더 구체적으로는, 검출된 광자들의 총 수에 대한 이들의 기여도들의) 통계적 분포 (제 1 및 제 9 십분위수에 대응하는 메디안 및 에러 막대) 를 예시한다.

도 7a 내지 도 7f 는 소프트맥스 타입의 활성화 함수를 갖는 2개의 상보적 출력들을 갖는 뉴럴 네트워크들의 사용에 의해 획득되는 이점을 예시한다. 이들 도면들에서, 연속 라인 곡선들은 검출된 광자들의 수의 함수로서 소프트맥스 활성화 함수의 경우에 양호한 응답 레이트 (1: 식별 에러들의 부존재) 를 나타내는 한편, 파선 곡선은 시그모이드 활성화 함수를 갖는 단일 출력 뉴런들에 대응한다 (소프트맥스 함수는 단일 출력 뉴런과 사용될 수 없고, 이는 항상 1 을 리턴할 것임). 이들 그래프들의 각각의 포인트는 2500개의 소스 혼합물들에 걸친 양호한 응답들의 평균 레이트에 대응한다. 상이한 그래프들은 상이한 방사성핵종: 241Am (도 7a), 133Ba (도 7b), 22Na (도 7c), 152Eu (도 7d]); 137Cs (도 7e), 57Co (도 7f) 에 대응한다.

결과들은, 하나의 출력 뉴런을 갖는 네트워크들의 성능 레벨들이 241Am 및 152Eu 의 소스들의 경우에 2개의 출력 뉴런들을 갖는 네트워크들의 성능 레벨들과 균등함을 나타낸다. 57Co 및 22Na 의 소스들의 경우, 상대적 성능 레벨들은 광자들의 수에 의존하고, 22Na 의 경우, 하나의 출력 뉴런을 갖는 네트워크의 성능 레벨들은 2개의 출력 뉴런들을 갖는 네트워크의 성능 레벨들을 매우 적게 초과한다. 마지막으로, 133Ba 및 137Cs 의 경우, 2개의 출력들을 갖는 뉴럴 네트워크들은 단일 출력을 갖는 뉴럴 네트워크를 능가한다.

일반적으로, 적어도 테스팅된 구성에서, 2개의 출력들을 갖는 뉴럴 네트워크를 사용하는 것이 바람직한 것으로 보인다.

모든 경우들에서, 양호한 응답들의 레이트는, 광자들의 수가 103 에 도달하자마자 0.9 에 가깝거나 초과함이 주목될 것이다.

본 발명의 중요한 양태는, 뉴럴 네트워크들의 별개의 세트들에 의해 구현되는, 방출 종의 식별 및 그들의 비율들의 결정의 단계들의 분리이다.

이는 2개의 동작들에 대해 상이한 스펙트럼 프리프로세싱 동작들을 사용할 수 있게 한다. 식별을 위해, "로그 정규화" 가 사용되는 것이 바람직하며, 이는 적은 광자들로 구성되는 구조들에서도 중요성을 제공할 수 있게 하고, 이는 특히, 광자들의 에너지가 증가할 경우에 검출기에서 광자들의 상호작용의 확률이 크게 감소하기 때문에 특히 흥미롭다. 한편, 비율들을 평가하기 위한 네트워크를 위해, 본 발명은 바람직하게는, 작은 구조들을 "무시"하는 선형 정규화 (norm 1) 를 사용한다. 이는, 신호에서의 각각의 소스의 비율들이 스펙트럼에서의 그들의 기여에 선형적으로 링크되기 때문에 유리하다. 실험적으로, 비율들의 평가를 위한 "로그 정규화" 의 사용은 양호한 결과를 제공하지 않음이 발견되었다.

이는 도면들 (도 8a, 도 8b 및 도 8c) 에 의해 예시된다.

도 8a 의 스펙트럼은 본 발명의 방법에 의해 분석되었다. 도 8b 는, 식별 네트워크들이 241Am 및 57Co 의 존재를 확실히 확인할 수 있게 한다는 것을 나타낸다. 하지만, 비율들을 평가하기 위한 네트워크들은 57Co 에 대해 0.7%, 및 241Am 에 대해 99.3% 의 비율을 제공한다.

선행 기술의 특정 방법에서와 같이 오직 비율들만이 결정되었다면, 57Co 가 실제로 미량 상태로 존재하였는지, 또는 예를 들어 133Ba, 137Cs 및 22Na 와 같이 실제로 부존재하였는지를 아는 것이 불가능했을 것이다. 비율 네트워크들과는 별도인 별개의 식별 네트워크들의 사용은, 비록 낮은 비율이지만, 57Co 가 실제로 존재한다는 것을 명확하게 결정할 수 있게 한다.

본 발명의 방법 및 디바이스는 종래 기술에 비해 수개의 이점들을 제공한다.

식별되도록 소망되는 각각의 소스에 대한 별개의 뉴럴 네트워크의 사용은, 식별될 수 있는 원자 종의 수를 제한하지 않게 한다. 더욱이, 전체적인 아키텍처를 변경하지 않고 새로운 네트워크를 추가하고 그리고 퍼셉트론 부분에 대해서만 재-트레이닝을 수행함으로써, 새로운 소스들의 추가가 가능하다. 한편, 컨볼루션층들에 대해 다시 트레이닝을 수행할 필요는 없다.

변형예로서, 뉴럴 네트워크를 복수의 방출 종, 예를 들어, 유사한 스펙트럼들을 나타내는 종들의 패밀리와 연관시킬 수 있다. 이 경우, 식별되는 개별 종이 아니라 종의 그룹들 또는 패밀리들이다.

컨볼루션 타입의 뉴럴 네트워크들의 사용은, 이들 문제들을 데이터베이스에서 고려함으로써, 캘리브레이션 에러들 (캘리브레이션 법칙의 시간 불안정성, 하나의 분광 검출기로부터 다른 분광 검출기로의 가변 기구 응답들) 에 대해 및 구성의 변경들 (소스 또는 소스들과 분광 검출기 또는 검출기들 사이의 흡수제 또는 산란 재료들의 존재) 에 대해 큰 강인성을 부여한다. 더욱이, 양호한 성능 레벨들 (소스들의 혼합물로부터 발산하는 적어도 1000개의 광자들을 포함하는 스펙트럼들로 90% 초과의 정확도) 을 갖는 낮은 광자 통계치들로 스펙트럼들의 경우들을 처리하는 것이 가능하게 한다. 이 방법은 특정 피크들에 집중하지 않고 스펙트럼들의 일반적인 구조 (피크들, 특히, 콤프톤 구조들) 에 집중한다.

베이지안 접근법은 각각의 소스의 존재의 확률에 대한 에러를 정량화할 수 있게 하며, 이는 사용자에게 결과들의 관련성을 그리고 그에 따라 자동 분석으로 부여될 수 있는 신뢰도를 알려준다.

더욱이, "전문가" 프리프로세싱이 필요하지 않으며, 미세 캘리브레이션이 자동으로 수행된다. 따라서, 자격을 갖춘 기술자들에 대한 의존이 크게 감소된다.

상기 설명된 바와 같이, 비율들의 식별 단계 및 결정 단계의 분리는, 원자 종이 부존재하는지 또는 낮은 비율이지만 실제로 존재하는지를 신뢰성있게 결정할 수 있게 한다.

본 발명은 특정 실시형태를 참조하여 설명되었지만, 다수의 변형예들이 예상될 수 있다.

예를 들어, 뉴럴 네트워크들의 구조에 관하여, 컨벌루션층들의 수 및 퍼셉트론 타입, 활성화 함수들, 데이터 감소 방법, 컨벌루션 커널들의 사이즈 등은 오직 예로서 제공된다. 더욱이, 모든 뉴럴 네트워크들이 동일할 필요는 없다.

다른 지도식 학습 기법들이 구현될 수 있다. 더욱이, 트레이닝을 위한 합성 소스들에 대한 의존은 유리하지만, 대신하여 또는 부가적으로 실제 소스들을 사용하는 것이 또한 가능하다.

뉴럴 네트워크들의 적용 전의 다른 데이터 변환 동작들, 및 특히, 다른 정규화 기법들이 사용될 수 있다.

측정들의 불확실성에 대한 정보가 요구되지 않는다면, 뉴런들의 랜덤 드롭아웃에 대한 의존은 필수적이지 않다. 더욱이, 사용된다면, 랜덤 드롭아웃은 모든 중간층들에 반드시 관련될 필요는 없다.

원자 종이 존재하는 것으로 고려되는지 또는 부존재하는 것으로 고려되는지, 특히 오류 긍정의 리스크를 최소화하는 것이 바람직한지 역으로 오류 부정의 리스크를 최소화하는 것이 바람직한지를 결정하기 위해, 0.5 에서의 임계화 이외의 기준들이 사용될 수 있다.

각각의 뉴럴 네트워크는 2개 초과의 출력들 - 예를 들어, 방출 종의 존재의 확률을 나타내는 하나의 출력, 그의 부존재의 확률을 나타내는 하나의 출력 및 불확정 상황을 나타내는 하나의 출력 - 을 가질 수 있다. 유리하게, 이들 출력들은 상보적이다 (즉, 이들의 합은 설정 값, 통상적으로 1 을 취한다). 출력들의 활성화 함수는 소프트맥스 타입일 수 있으나, 다른 가능성들이 당업자에 의해 예상될 수 있다.

수개의 별개의 분광 검출기들로부터의 데이터는 결합될 수 있다.

서지적 참고문헌들

(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. Louren

o, C.Thiam, M.Th

venin "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 Identication Algorithm Using Articial 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. 장면에서 X- 또는 감마 방사선을 방출하는 방출 종 (S₁…S_N) 을 식별하기 위한 방법으로서,
   a) 분광 검출기 (SPM) 에 의하여, 상기 장면으로부터 발산하는 X- 또는 감마 방사선의 스펙트럼을 취득하는 단계;
   b) 적어도 하나의 정규화를 포함하는 제 1 데이터 변환 동작을, 취득된 상기 스펙트럼에 적용하는 단계;
   c) 변환된 상기 스펙트럼을 복수의 컨볼루션 뉴럴 네트워크들의 제 1 세트 (CBNN_ID) 의 입력으로서 공급하는 단계로서, 상기 제 1 세트의 각각의 컨볼루션 뉴럴 네트워크는 식별될 개별 방출 종과 연관되거나, 또는 식별될 방출 종의 개별 그룹과 연관되고, 적어도 하나의 출력을 갖는, 상기 복수의 컨볼루션 뉴럴 네트워크들의 제 1 세트 (CBNN_ID) 의 입력으로서 공급하는 단계; 및
   d) 상기 제 1 세트의 각각의 컨볼루션 뉴럴 네트워크에 대해, 대응하는 방출 종, 또는 방출 종의 대응하는 그룹이 상기 출력 또는 출력들의 함수로서 상기 장면에 존재하는지 여부를 결정하는 단계를 포함하고,
   단계 a) 내지 단계 d) 는 신호 프로세싱 회로 (CTS) 에 의하여 구현되는, 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 방법.
2. 제 1 항에 있어서,
   - 상기 제 1 세트의 각각의 컨볼루션 뉴럴 네트워크는 입력층 (CC1), 출력층 (CS) 및 적어도 하나의 중간층 (CC2, CC3, CP) 을 포함하고, 각각의 중간층은 복수의 뉴런들을 포함하고;
   - 단계 c) 는, 매회, 적어도 하나의 중간층의 상기 뉴런들의 일부분을 랜덤하게 드롭아웃함으로써 복수회 반복되고; 그리고
   - 단계 d) 는, 상기 제 1 세트의 각각의 컨볼루션 뉴럴 네트워크에 대해, 상기 장면에서의 방출 종의 대응하는 그룹 또는 상기 종의 존재의 결정 및 단계 c) 의 상이한 반복 시에 상기 출력 또는 출력들에 의해 취해진 값들의 통계적 분석에 기초한 상기 결정의 신뢰성의 레이트를 포함하는, 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 방법.
3. 제 1 항 또는 제 2 항에 있어서,
   신호 프로세싱 회로 (CTS) 에 의하여 또한 구현되는 다음의 단계들을 또한 포함하는, 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 방법:
   e) 적어도 하나의 정규화를 포함하는 제 2 데이터 변환 동작을, 상기 취득된 스펙트럼에 적용하는 단계;
   f) 상기 변환된 스펙트럼을 복수의 컨볼루션 뉴럴 네트워크들의 제 2 세트 (CBNN_PRO) 의 입력으로서 공급하는 단계로서, 상기 제 2 세트의 각각의 컨볼루션 뉴럴 네트워크는,
   - 단계 d) 에 후속하여 상기 장면에 존재하는 것으로서 결정된, 개별 방출 종 또는 방출 종의 개별 그룹과 연관되고; 그리고
   - 적어도 하나의 출력을 갖는, 상기 복수의 컨볼루션 뉴럴 네트워크들의 제 2 세트 (CBNN_PRO) 의 입력으로서 공급하는 단계; 및
   g) 상기 제 2 세트의 각각의 컨볼루션 뉴럴 네트워크에 대해, 상기 출력 또는 출력들의 함수로서, 단일 또는 다중의 대응하는 방출 종의 신호 비율을 결정하는 단계.
4. 제 3 항에 있어서,
   - 상기 제 2 세트의 각각의 컨볼루션 뉴럴 네트워크는 입력층 (CC1), 출력층 (CS) 및 적어도 하나의 중간층 (CC2, CC3, CP) 을 포함하고, 각각의 중간층은 복수의 뉴런들을 포함하고;
   - 단계 f) 는, 매회, 적어도 하나의 중간층의 뉴런들의 일부분을 랜덤하게 드롭아웃함으로써 복수회 반복되고; 그리고
   - 단계 g) 는, 상기 제 2 세트의 각각의 컨볼루션 뉴럴 네트워크에 대해, 대응하는 방출 종의 그룹 또는 상기 종의 상기 신호 비율의 결정 및 단계 f) 의 상이한 반복 시에 상기 출력 또는 출력들에 의해 취해진 값들의 통계적 분석에 기초한 상기 결정의 신뢰성의 레이트를 포함하는, 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 방법.
5. 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
   각각의 컨볼루션 뉴럴 네트워크는 단일의 개별 방출 종과 연관되는, 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 방법.
6. 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
   단계 b) 는 상기 취득된 스펙트럼의 차원을 보존하는, 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 방법.
7. 제 6 항에 있어서,
   단계 b) 는 상기 취득된 스펙트럼의 로그 변환 다음에 그 정규화를 포함하는, 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 방법.
8. 제 1 항 내지 제 7 항 중 어느 한 항에 있어서,
   수개의 방출 종의 알려진 조성의 혼합물들에 대응하는, 시뮬레이션된 X- 또는 감마 방사선 스펙트럼들을 사용하여 상기 컨볼루션 뉴럴 네트워크들의 지도식 트레이닝의 사전 단계를 또한 포함하는, 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 방법.
9. 제 8 항에 있어서,
   각각의 컨볼루션 뉴럴 네트워크는 입력층, 출력층 및 적어도 하나의 중간층을 포함하고, 각각의 중간층은 복수의 뉴런들을 포함하고; 상기 지도식 트레이닝의 단계는 적어도 하나의 중간층의 상기 뉴런들의 일부분을 랜덤하게 드롭아웃함으로써 수행되는, 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 방법.
10. 제 1 항 내지 제 9 항 중 어느 한 항에 있어서,
    상기 장면으로부터 발산하는 X- 또는 감마 방사선의 취득의 단계 a) 는,
    - 일련의 이벤트들의 취득으로서, 각각의 이벤트는 상기 분광 검출기에 의해 검출된 X- 또는 감마 광자의 에너지 값을 나타내는 물리량과 연관되는, 상기 일련의 이벤트들의 취득; 및
    - 상기 일련의 이벤트들의, 캘리브레이션 파라미터들의 세트에 의존하는 캘리브레이션 함수의 적용에 의해 상기 X- 또는 감마 방사선의 에너지 스펙트럼으로의 변환을 포함하고,
    상기 방법은 또한, 상기 장면에 존재하는 것으로서 결정된 상기 방출 종의 함수로서 계산된 이론적 스펙트럼과 상기 스펙트럼 사이의 상관 함수의 최대화에 의해 상기 캘리브레이션 파라미터들의 최적 값들의 결정의 단계 h) 를 포함하는, 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 방법.
11. 제 1 항 내지 제 10 항 중 어느 한 항에 있어서,
    각각의 컨볼루션 뉴럴 네트워크는 상보적 출력 뉴런들 (CS) 의 쌍을 포함하는, 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 방법.
12. 제 1 항 내지 제 11 항 중 어느 한 항에 있어서,
    상기 취득된 스펙트럼은 2 keV 와 2 MeV 사이에 있는 범위 내에서 전체적으로 또는 부분적으로 연장되는, 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 방법.
13. 명령들을 포함하는 컴퓨터 프로그램 제품으로서,
    상기 명령들은, 프로그램이 컴퓨터에 의해 구동될 경우, 상기 컴퓨터로 하여금 제 1 항 내지 제 12 항 중 어느 한 항에 기재된 방법의 단계 b) 및 후속 단계들을 구현하게 하는, 컴퓨터 프로그램 제품.
14. 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 디바이스로서,
    - 분광 검출기에 의해 생성된 신호들을 프로세싱하는 신호 프로세싱 회로 (CTS) 를 포함하고,
    상기 회로는,
    - 상기 검출기로부터, 일련의 이벤트들을 취득하는 것으로서, 각각의 이벤트는 상기 분광 검출기에 의해 검출된 X- 또는 감마 광자의 에너지 값을 나타내는 물리량과 연관되는, 상기 일련의 이벤트들을 취득하고;
    - 상기 일련의 이벤트들을, 캘리브레이션 파라미터들의 세트에 의존하는 캘리브레이션 함수의 적용에 의해 상기 X- 또는 감마 방사선의 에너지 스펙트럼으로 변환하고;
    - 적어도 하나의 정규화를 포함하는 제 1 데이터 변환 동작을, 상기 X- 또는 감마 방사선의 에너지 스펙트럼에 적용하고;
    - 이에 따라 변환된 스펙트럼을 복수의 컨볼루션 뉴럴 네트워크들의 제 1 세트의 입력으로서 공급하는 것으로서, 상기 제 1 세트의 각각의 컨볼루션 뉴럴 네트워크는 개별 방출 종과 연관되거나, 또는 방출 종의 개별 그룹과 연관되고, 적어도 하나의 출력을 갖는, 상기 복수의 컨볼루션 뉴럴 네트워크들의 제 1 세트의 입력으로서 공급하고; 그리고
    - 상기 제 1 세트의 각각의 컨볼루션 뉴럴 네트워크에 대해, 대응하는 방출 종, 또는 방출 종의 대응하는 그룹이 상기 출력 또는 출력들의 함수로서 상기 장면에 존재하는지 여부를 결정하도록
    구성되거나 프로그래밍되는, 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 디바이스.
15. 제 14 항에 있어서,
    방사선 검출기에 의해 생성된 신호들을 프로세싱하는 상기 신호 프로세싱 회로는 또한,
    - 적어도 하나의 정규화를 포함하는 제 2 데이터 변환 동작을, 상기 X- 또는 감마 방사선의 에너지 스펙트럼에 적용하고;
    - 이에 따라 변환된 스펙트럼을 복수의 컨볼루션 뉴럴 네트워크들의 제 2 세트의 입력으로서 공급하는 것으로서, 상기 제 2 세트의 각각의 컨볼루션 뉴럴 네트워크는 상기 장면에 존재하는 것으로서 결정된 개별 방출 종 또는 방출 종의 개별 그룹과 연관되고, 적어도 하나의 출력을 갖는, 상기 복수의 컨볼루션 뉴럴 네트워크들의 제 2 세트의 입력으로서 공급하고; 그리고
    - 상기 제 2 세트의 각각의 컨볼루션 뉴럴 네트워크에 대해, 스칼라 출력 또는 스칼라 출력들의 쌍의 함수로서, 방출 종의 대응하는 그룹 또는 상기 종의 신호 비율을 결정하도록
    구성되거나 프로그래밍되는, 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 디바이스.
16. 제 14 항 또는 제 15 항에 있어서,
    방사선 검출기에 의해 생성된 신호들을 프로세싱하는 상기 신호 프로세싱 회로는 또한, 상기 장면에 존재하는 것으로서 결정된 방출 종의 함수로서 계산된 이론적 스펙트럼과 취득된 스펙트럼 사이의 상관 함수의 최대화에 의해 상기 캘리브레이션 파라미터들의 최적 값들을 결정하도록 구성되거나 프로그래밍되는, 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 디바이스.
17. 제 14 항 내지 제 16 항 중 어느 한 항에 있어서,
    각각의 컨볼루션 뉴럴 네트워크는 단일의 개별 방출 종과 연관되는, 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 디바이스.
18. 제 14 항 내지 제 17 항 중 어느 한 항에 있어서,
    각각의 컨볼루션 뉴럴 네트워크는 상보적 출력 뉴런들 (CS) 의 쌍을 포함하는, 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 디바이스.
19. 제 14 항 내지 제 18 항 중 어느 한 항에 있어서,
    상기 검출된 X- 또는 감마 광자들은 2 keV 와 2 MeV 사이에 있는 범위의 적어도 일부 내에서 에너지를 나타내는, 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 디바이스.
20. 제 14 항 내지 제 19 항 중 어느 한 항에 있어서,
    상기 분광 검출기 (SPM) 를 또한 포함하는, 장면에서 X- 또는 감마 방사선을 방출하는 방출 종을 식별하기 위한 디바이스.

Images