WO2020239884A1 - Procede et dispositif d'identification d'especes atomiques emettant un rayonnement x ou gamma - Google Patents

Procede et dispositif d'identification d'especes atomiques emettant un rayonnement x ou gamma Download PDF

Info

Publication number
WO2020239884A1
WO2020239884A1 PCT/EP2020/064790 EP2020064790W WO2020239884A1 WO 2020239884 A1 WO2020239884 A1 WO 2020239884A1 EP 2020064790 W EP2020064790 W EP 2020064790W WO 2020239884 A1 WO2020239884 A1 WO 2020239884A1
Authority
WO
WIPO (PCT)
Prior art keywords
species
convolutional neural
spectrum
neural network
scene
Prior art date
Application number
PCT/EP2020/064790
Other languages
English (en)
Inventor
Olivier Limousin
Geoffrey DANIEL
Daniel Maier
Original Assignee
Commissariat A L'energie Atomique Et Aux Energies Alternatives
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 Commissariat A L'energie Atomique Et Aux Energies Alternatives filed Critical Commissariat A L'energie Atomique Et Aux Energies Alternatives
Priority to US17/614,276 priority Critical patent/US20220252744A1/en
Priority to KR1020217042736A priority patent/KR20220014329A/ko
Priority to CN202080045734.5A priority patent/CN114008489A/zh
Priority to JP2021565764A priority patent/JP2022533815A/ja
Priority to EP20727669.2A priority patent/EP3977175A1/fr
Publication of WO2020239884A1 publication Critical patent/WO2020239884A1/fr

Links

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
    • 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
    • G01T1/169—Exploration, location of contaminated surface areas
    • 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

Definitions

  • the invention relates to a method and a device for identifying species emitting X or gamma radiation, and preferably for quantitatively determining the contribution of each species to the radiation. It falls within the technical field of nuclear instrumentation, and more precisely of
  • the invention is applicable whenever it is necessary to identify radionuclides and / or atomic species exhibiting X-ray fluorescence in a sample or in an environment: radiochemistry, chemical and radiochemical analyzes, decontamination and dismantling nuclear sites, etc.
  • X or gamma radiation is understood to mean electromagnetic radiation of energy greater than 100 eV; more particularly, in the context of the invention, we are interested in radiation of energy between about 2 keV and 2 MeV.
  • an X-ray radiation has an origin
  • the invention makes it possible to identify radionuclides (isotopes) from their gamma radiation spectrum and atomic species that are not necessarily radioactive from their X-ray fluorescence spectrum.
  • the atomic species can be identified from their spectrum.
  • radionuclides that can be identified from their gamma spectrum are referred to together as "emitting species”.
  • emitting species are radionuclides but, unless otherwise indicated, all that will be said can also apply to X emitters.
  • the conventional methods of identifying radionuclides from their gamma radiation are mainly based on the extraction of the peaks photoelectric in the spectrum resulting from the acquisition of the detector or on the study of areas of interest in the spectrum. See for example (Lutter 2018).
  • radionuclides of interest gamma or X lines
  • gamma or X lines are fitted with a Gaussian model and a continuous background to deduce their position in energy.
  • One or more peaks present in the spectrum are compared simultaneously with the tables of nuclear lines of the radioactive isotopes (or with the X-ray fluorescence lines of the various elements), which allows their identification.
  • Such methods can be accompanied by artificial intelligence techniques, and in particular neural networks.
  • igneron 1995 had proposed to analyze gamma emission peaks by means of a neural network of the "multilayer perceptron" type to determine the rate
  • US 2019/034786 discloses, in general and with few details, the use of a multilayer perceptron to detect or identify
  • the perceptron can present several outputs, each corresponding to an emitting species or to a group of emitting species.
  • CN 109,063,741 also discloses the use of neural networks to detect or identify radionuclides. More specifically, the document discloses the conversion of spectra into two-dimensional images by means of a Hilbert curve before the application of a neural network.
  • the invention aims to overcome the aforementioned drawbacks of the prior art. More particularly, it aims to allow the identification of any number of emitting atomic species in a mixture from the X or gamma spectrum of the latter, and this regardless of the configuration of the scene (presence of absorbing or diffusing material between the source (s) present in environment and spectrometric detector) and without sophisticated pre-processing including the identification of regions of interest in the spectrum.
  • the invention aims to determine the probability of the presence of each of the emitting species, and preferably an uncertainty about this probability.
  • the invention aims to determine the proportion in the signal of each identified source, as well as to provide an uncertainty on this proportion.
  • the invention aims to allow the use of different types of spectrometric detector (CdTe, CdZnTe, Hgl 2 , Nal, HPGe or any type of gamma spectrometer operating in the energy band from keV to
  • MeV Considering that it is capable of measuring and restoring the energy of each event detected, event by event, or at least, of providing the spectrum of the energies measured.
  • the invention aims to make it possible to avoid long and complex fine-energy calibration operations and to overcome possible drifts of the detector or of operational conditions over time.
  • a factory calibration with an error of around 2% should be sufficient to identify the emitting species and, if necessary, determine their proportion.
  • At least some of these goals are achieved through the use of a plurality of convolutional-type neural networks, each responsible for identifying a single emitter species.
  • each neuron could be tasked with identifying a distinct group of emitter species.
  • At least some of these goals are achieved through the use of a second plurality of convolutional type neural networks, each responsible for determining the proportion of a only emitting species (or group of emitting species) already identified.
  • these neural networks are trained from synthetic spectral data.
  • the spectra supplied as input to the neural networks for identifying the emitting species are previously converted to the logarithmic scale.
  • a "dropout" operation (random extinction of a fraction of the neurons of the inner layers) is applied to these neural networks in order to determine the levels of uncertainty on the presence. , and where appropriate on the proportion, of each emitting species.
  • the different neural networks each have a pair of complementary output neurons, for example using an activation function of the "softmax" type.
  • this information is used to perform an energy "self-calibration" of the detector.
  • An object of the invention is therefore a method for identifying species emitting X or gamma radiation in a scene, the method comprising the following steps:
  • a) acquire, by means of a spectrometric detector, a spectrum of X or gamma radiation from the scene;
  • each convolutional neural network of said first set being associated with a respective emitting species to be identified, or with a group of emitting species to identify respective and having at least one output;
  • steps a) to d) being implemented by means of a signal processing circuit.
  • Another object of the invention is a computer program product
  • Yet another object of the invention is a device for identifying species emitting X or gamma radiation in a scene, comprising:
  • circuits for processing signals generated by a spectrometric detector said circuit being configured or programmed for:
  • each event being associated with a physical quantity representative of an energy value of an X or gamma photon detected by said spectrometric detector;
  • each convolutional neural network of said first set being associated with a respective emitting species, or with a respective group of emitting species, and having at least one outlet;
  • the signal processing circuit generated by the radiation detector can also be configured or programmed for:
  • each convolutional neural network of said second set being associated with one or more respective emitting species having been determined as being present in the scene and having at least one outlet;
  • each convolutional neural network of the second set determines as a function of said scalar output or pair of scalar outputs, a signal proportion of the species or of the corresponding emitting species.
  • the signal processing circuit generated by the radiation detector can also be configured or programmed to determine optimal values of said calibration parameters by maximizing a correlation function between an acquired spectrum and a theoretical spectrum calculated as a function emitter species determined to be present in the scene.
  • Each convolutional neural network can be associated with a single respective emitter species.
  • Each convolutional neural network can comprise a pair of complementary output neurons.
  • the X or gamma photons detected can exhibit an energy in at least part of the range between 2 keV and 2 MeV.
  • the device can also include said spectrometric detector (SPM).
  • SPM spectrometric detector
  • FIG. 1 is a block diagram of a device according to one embodiment of the invention.
  • FIG. 2 is a representation of a convolutional neural network that can be used in a device and / or a method according to the invention.
  • FIG. 3 is a flowchart of a method according to one embodiment of the invention.
  • FIG. 4 is an example of an X or gamma radiation spectrum.
  • FIG. 5 illustrates the identification of atomic species at the origin of
  • FIG. 6 illustrates the determination of the proportions of these atomic species.
  • FIG. 7F illustrate the benefit of using neural networks with two complementary outputs rather than a single output.
  • FIG. 8C illustrate the benefit of using separate neural networks for the identification of atomic species and for the quantification of their contribution to radiation.
  • the device of [Fig. 1] comprises a spectrometric detector of
  • X or gamma radiation i.e. a detector sensitive to the energy of the photons detected
  • CTS processing circuit for signals generated by the radiation detector.
  • the SPM spectrometric detector comprises a sensitive element ES, preferably pixelated, an analog reading circuit EL and a converter
  • the spectrometric detector acquires photons from an SC scene in which are located different radionuclides (or atomic species emitting X fluorescence radiation) S, (Si ... SN) of activity A, (Ai ... AN) - whose identity and relative abundance are unknown a priori - potentially located at different distances from the detector.
  • Absorbent or diffusing ABS material may lie between one or more sources and the detector.
  • Each radionuclide S emits photons P, at energies E k , i.
  • Pi (E k, i ) denotes a photon of energy E k, i emitted by the first radionuclide Si.
  • the sensitive element ES can be of any type suitable for detecting X / gamma photons from the scene in at least a portion of the range
  • spectral 2 keV - 2 MeV It may be, for example, a semiconductor pixel made of Si, Ge, CdTe, etc., a scintillator sensor, a perovskite sensor, etc.
  • the sensitive element generates a signal in the form of a physical quantity, generally electrical, representative of the energy of each X or gamma photon received (typically, it is a current pulse whose charge electric is proportional to this energy).
  • the EL reading electronic circuit performs conventional analog preprocessing of the signals coming from the sensitive element: amplification, pulse shaping, detection of their height or energy.
  • the analog signals SA from the readout electronics are converted into digital format by the ADC converter.
  • the photons are detected one by one, their energy is recorded and dated by the detector.
  • This information contained in the digital data stream FDN coming from the converter ADC, is transmitted to the processing circuit CTS.
  • the latter can be on board or deported; in the latter case, a telecommunications link must be established between the spectrometric detector and the processing circuit.
  • the signal processing circuit can comprise one or more generic processors, or ones specialized for the digital processing of signals, programmed in a timely manner. As a variant or in addition, it can include dedicated digital circuits. In general, moreover, it includes random access memories to store the data to be processed (in particular the events generated by the spectrometric detector) and active and / or dead memories to store calibration parameters, neural network coefficients, etc. . In general, the invention is not limited to a particular technology for making the signal processing circuit. In the following description of this circuit, the breakdown into blocks and modules is purely functional, these blocks and modules do not necessarily correspond to distinct physical elements.
  • the signal processing circuit CTS comprises three modules: a source identification module ID, a learning module APP and a self-calibration module AE.
  • the training module may be absent, in which case the training of the neural networks of the identification module is performed by means of another device and the coefficients of the learned neural networks are simply transferred to the issuing species identification device.
  • the self-calibration module may be absent, but this means that an accurate calibration must be performed beforehand (for example, in a laboratory metrology) and that precautions should be taken to minimize drifts in the response of the spectrometric detector.
  • the FDN digital data stream from the spectrometric detector is received by the identification module of the CTS circuit and stored in an MEV event memory.
  • An MCS spectra building module converts these events into spectra using a TE calibration table, stored in memory, which allows photon energy to be associated with each detection event.
  • This calibration table established beforehand, can be relatively imprecise, with an error in the energy values which can reach 2%.
  • the AE auto-calibration module allows updating of calibration tables improving their accuracy. In the case of a pixelated detector, the calibration is done pixel by pixel, with a different calibration table for each pixel.
  • Each spectrum is in fact an energy histogram: an energy value is assigned to each event; the events are grouped into energy classes ("bins") and the spectrum is made up of the number of events belonging to each class.
  • the term "spectrum” therefore means the spectral distribution of the photons detected over a given time interval, the duration of which can be fixed or chosen by the user.
  • a module for transforming MTD data then performs preprocessing of the spectra.
  • preprocessing of the spectra In the embodiment considered here, two separate pre-treatments are carried out.
  • each acquired spectrum is converted to the logarithmic scale, then normalized.
  • the spectrum thus transformed, SNlog is used for the identification of the emitting species. More specifically, let Si be the number of events in the i-th energy class. We apply a first operation
  • [0072] is used to determine the proportions of the identified emitting species.
  • the preprocessing can be a transformation of scale.
  • the preprocessed spectra remain one-dimensional.
  • the SNlog spectrum is supplied as input to a CBNNJD module which implements a plurality of M “bayesian” convolutional neural networks, each taking the entire spectrum as input and providing at its output a value PPj indicative of a probability of the presence in the scene of a particular radionuclide (identified by the index "j"), as well as a level of confidence in this probability.
  • PPj a probability of the presence in the scene of a particular radionuclide
  • An MS thresholding module is used to determine which emitting species are considered to be actually present in the scene. For this, the thresholding module takes into account the probability of presence and, possibly, its level of uncertainty.
  • the spectrum normalized in standard 1, SN1 is supplied as input to a CBNN_PRO module which implements a plurality of M “bayesian” convolutional neural networks, each corresponding to a particular radionuclide.
  • Each neural network of the CBNN_PRO module which corresponds to a radionuclide “j” already identified as being present in the scene takes as input the entire spectrum and provides at its output a value PROj indicative of the proportion of this radionuclide in the recorded signal , as well as a level of confidence in this proportion.
  • the value PROj corresponds to the percentage of recorded photons which can be attributed to the radionuclide "j" (by abuse of language one speaks more simply of the proportion of the radionuclide "j" in the scene, but this is only correct in special conditions, if all the emitters are at the same distance from the detector and in the presence of the same absorbent / scattering materials).
  • neural networks can be of the same type as those used for
  • the neural networks of the CBNNJD and CBNN_PRO modules were previously trained by supervised learning from a synthetic BDS database, that is to say simulated data, generated by the APP learning module.
  • the learning produces two parameter databases, PRNJD and PRN_PRO, characterizing neural networks
  • the synthetic spectra are created by a Monte-Carlo simulator (SS block in [Fig. 1]) which makes it possible to simulate the photon-matter interactions in the detector as well as in the direct environment of the detector and, advantageously, possible background noise. For each photon, it is then necessary to apply the response of the detector, that is to say, the energy resolution due to statistical fluctuations in the creation of electron-hole pairs, that due to electronic noise as well as the loss. load in the detector (RD block). It is a physical model which is applied only once for a list of given source of interest comprising as many sources as desired. Each emitting atomic species is simulated independently and the simulated data are restored in the form of a list of events giving the energy deposited by each photon in the spectrometric detector.
  • MIX block mixtures of different radioelements are also generated synthetically: for this, energies are randomly drawn from the energy lists simulated for each radioelement in the mixture, with different statistics and different proportions. The proportion of photons attributed to each emitting atomic species is recorded.
  • the AJD1 - AJDM blocks implement the supervised learning algorithms of the M convolutional neural networks of the CBNNJD block, and produce M sets of parameters characterizing each of these neural networks; these parameters are stored in the aforementioned BDNJD database.
  • the A_PR01 - A_PROM blocks implement the supervised learning algorithms of the M convolutional neural networks of the CBNN_PRO block, and produce M sets of parameters characterizing each of these neural networks; these parameters are stored in the aforementioned BDN_PRO database.
  • the synthetic sources of the SS block are also used by the AE module in order to implement a self-calibration process of the spectrometric detector.
  • the AE module By knowing the radionuclides present in the source and their proportions (data provided by the ID identification module), it is indeed possible to use these synthetic sources to calculate an “expected” spectrum.
  • a An adaptive mesh or genetic algorithm type algorithm is then used by the ECC block to find a set of calibration parameters which maximizes the correlation between this expected spectrum and that supplied by the MCS module. These parameters are used to update the calibration tables used by the ID module. Note that some blocks (MEV, MCS, SS, TE) appear in several places in [Fig. 1] for the sake of readability.
  • the ECC block implements the energy calibration algorithm by correlation described in (Maier 2016).
  • This calibration does not require user intervention and is based only on the measurement carried out in real time in the scene to be analyzed
  • a convolutional network comprises a first part composed of several convolution layers making it possible to extract different characteristics of the input spectra and a second part consisting of a multilayer perceptron (in the English language literature we also speak of “fully-connected” layers, that is to say
  • the input is an SP0 spectrum comprising 2000 channels, each channel being a representative value of the spectrum energy in a respective spectral range.
  • the first convolutional layer CC1 comprises 16 convolutional neurons. Each convolutional neuron does the following:
  • the size 2 MaxPooling operation consists of taking the spectrum and keeping only one channel out of two, the largest. This reduces the dimension of the spectrum by a factor of 2.
  • the batch normalization operation known per se, see (loffe 2015) - consists in gathering the data from the learning database by subsets called batches or "batches", performing an iteration of learning on each of the batches (as will be described later), then normalize on average and in variance the outputs of each neuron corresponding to the batch considered. After training, the normalization settings across the database are saved to apply the same normalization when using neural networks for identifying and determining the proportions of emitter species.
  • the ReLU activation function is defined by:
  • ReLU (x) max (0, x).
  • the output of the first convolutional layer therefore consists of 16 spectra of characteristics SP1, 0 - SP1, 15 of dimension 1000. These data are supplied as input to the second convolutional layer CC2 which is in all respects similar to the first , except in that it operates on data of dimension 1000.
  • the output of the second convolutional layer therefore consists of 16 spectra of characteristics SP2.0 - SP2.15 of dimension 1000.
  • These data are supplied as input to the third convolutional layer CC3 which is in all respects similar to the first two. , except in that it operates on data of dimension 500 and that its output therefore consists of 16 spectra of
  • SPA4 vector of 4000 elements which are all supplied as input to each of the 20 neurons of a perceptron layer CP using, like the convolutional layers, a ReLU type activation function.
  • the last layer, or output layer, CS of the perceptron is
  • [0103] j being the index which identifies the two output neurons.
  • the first neuron of the output layer gives a number between 0 and 1 which represents the absence or presence of the radioelement in the mixture, while the second neuron is the
  • the first neuron gives a number between 0 and 1 which corresponds to the signal proportion of the
  • radioelement while the second neuron is the signal proportion of all other elements.
  • the parameters or coefficients of the neural networks are learned, in a supervised manner, using for example a gradient descent algorithm.
  • a stochastic gradient descent algorithm is used with a learning rate of 0.01 which decreases by 0.001 at each iteration, a moment of 0.9 and the use of the Nesterov moment, the training being carried out over 10 iterations on batches of 1000 examples.
  • the cost function used and minimized during the learning phase for this identification network is binary cross entropy, defined as:
  • the learning of the ratio evaluation network is carried out with the synthetic spectra normalized to standard 1.
  • the output to be predicted by the first neuron is the proportion of the radioelement in the mixture and that of the second neuron is the proportion of the other radioelements.
  • Each neural network is applied a plurality of times to each input spectrum and, due to the random extinction of the neurons, each time it returns a different result, the statistical distribution of which provides information on the uncertainty affecting the identification of d 'an emitting atomic species and / or its proportion.
  • the rate of neuron extinction is 50% for each of the intermediate layers and each neural network is applied 100 times.
  • FIG. 3 schematically illustrates the process for identifying emitting atomic species described above.
  • Step a) comprises acquiring a spectrum using the SPM spectrometric detector.
  • Step b) comprises the transformation of the data prior to the application of the identification neural networks - that is to say, in a preferred embodiment of the invention - the conversion of the spectrum to the logarithmic scale and its normalization.
  • Step c) comprises the application of convolutional neural networks, preferably Bayesian, to the spectrum transformed by step c).
  • Step d) comprises the identification of the emitting species present in the scene as a function of the outputs of the identification neural networks.
  • Step e) comprises the transformation of the data prior to the application of the proportion neural networks - that is to say, in a preferred embodiment of the invention - the normalization of the spectrum into a standard 1.
  • Step f) comprises the application of convolutional neural networks, preferably Bayesian, to the spectrum transformed by step e).
  • Step g) comprises determining the proportions of the emitting species identified in step d) according to the outputs of the proportion neural networks.
  • Step h) corresponds to the self-calibration, which updates the tables
  • the preliminary step app) corresponds to the learning of the neural networks used in steps c) and f).
  • the process can stop at step c) if only the identification of the emitting species is required, or even at step g) if self-calibration is not used.
  • the invention has been tested using, as a spectrometric detector, a pixelated spectro-imager based on CdTe semiconductor and its optimized read circuits (Gevin 2012).
  • the spectro-imager comprises 256 pixels at 800 ⁇ m pitch with 2 mm thickness, an energy dynamic of 1 keV to 1 MeV, and an energy resolution of 0.7 keV (full width at half height) at 60 keV.
  • the spectro-imager was installed in a vacuum chamber, cooled by Peltier modules to a temperature of approximately -15 ° C. and subjected to a polarization field of 300 V / mm.
  • the signal recorded by the read circuits is transmitted to a Zynq programmable digital circuit via a CIF interface card.
  • the digital circuit stores the events and transmits them to a control computer on which the spectro-identification process is carried out.
  • the events are returned as a list containing the interaction pixel, the uncalibrated deposited energy and the interaction date.
  • the sum spectrum of all the pixels is pre-calibrated with a calibration table determined in advance by a unique initial calibration in the laboratory (as a variant, the theoretical transfer function of the acquisition chain could be applied).
  • a Geant4 simulator can also be used to perform these simulations.
  • the simulation domain has been extended to 2 electrodes on either side of the electrode on which the signal is induced.
  • a finite element resolution method could have been used.
  • the CCE pressure drop was calculated as a function of the depth zO using the Hecht equation:
  • E CCE E f .
  • the synthetic spectra were obtained by making a histogram composed of 2000 channels of 0.5 keV in width on an energy dynamic of 0 to 1 MeV.
  • FIG. 4 shows a spectrum (shown on a logarithmic scale) obtained by exposing the spectro-imager to a mixture comprising 57Co and 137Cs. Note that the number of photons detected is relatively low, in the order of a few thousand.
  • FIG. 5 illustrates the output values of several identification neural networks, corresponding to these nuclides but also to others which are not present in the scene (241 Am, 133Ba, 152Eu, 22Na). Specifically, as each neural network is applied 100 times by randomly switching off 50% of the neurons at each repetition, we obtain a statistical distribution of the outputs. The vertical bars represent the medians, the error boxes correspond to the first and third quartiles, and the error bars to the first and ninth deciles.
  • the detection threshold is set at 0.5 on the median, which is natural if we consider that the output of an identification network represents the probability of the presence of the corresponding emitting species. We note that the statistical dispersion of the outputs is negligible for the radionuclides actually present and, for the others, sufficiently low not to create any risk of false positive.
  • FIG. 6 illustrates the statistical distribution (median and error bar corresponding to the first and ninth deciles) of the proportions of 57Co and 137Cs (more precisely, of their contributions to the total number of photons detected), obtained by applying 100 times the networks of proportion neurons
  • FIGs 7A to 7F illustrate the advantage provided by the use of neural networks having two complementary outputs with an activation function of the softmax type.
  • the continuous line curves represent the rate of correct responses (1: absence of identification errors) in the case of a softmax activation function as a function of the number of photons detected, while the curve in hatched line corresponds to single output neurons, with a sigmoid activation function (the softmax function cannot be used with a single output neuron, it would always return 1).
  • Each point in these graphs corresponds to the average rate of correct answers over 2,500 mixtures of sources.
  • the different graphs correspond to different radionuclides: 241 Am ([Fig. 7A]), 133Ba ([Fig. 7B]), 22Na ([Fig. 3C]), 152Eu ([Fig. 7D]); 137Cs ([Fig. 7E]), 57Co ([Fig. 7F]).
  • the rate of correct responses is close to or greater than 0.9 as soon as the number of photons reaches 103.
  • An important aspect of the invention is the separation of the steps of identifying the emitter species and determining their proportions, which are carried out by distinct sets of neural networks.
  • a neural network with a plurality of emitting species, for example a family of species exhibiting similar spectra. In this case, it is not individual species that are identified, but groups or families of species.
  • convolutional-type neural networks confers great robustness with respect to calibration errors (temporal instability of the calibration law, variable instrumental responses from one spectrometric detector to another) as well as configuration changes (presence of absorbent or diffusing materials between the source (s) and the detector (s)
  • Bayesian approach makes it possible to quantify an error in the probability of the presence of each source, which informs the user of the relevance of the results and therefore of the degree of confidence that he can grant to an automatic analysis.
  • the number of convolutional and perceptron-type layers, the activation functions, the data reduction method, the size of the convolutional nuclei, etc. are given as an example only. Moreover, all neural networks do not have to be the same.
  • Criteria other than a threshold of 0.5 can be used to determine whether an atomic species is considered to be present or absent, in particular if it is preferred to minimize the risk of false positives or, conversely, of false negatives.
  • Each neural network can have more than two outputs - for example an output indicative of the probability of the presence of an emitting species, an output indicative of the probability of its absence and an output indicative of an indeterminate situation.
  • these outputs are complementary (that is to say that their sum takes a fixed value, typically 1).
  • the activation function outputs can be of the Softmax type, but other possibilities can be envisaged by those skilled in the art.

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)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Measurement Of Radiation (AREA)

Abstract

Procédé d'identification d'espèces émettrices (S1 – SN) rayonnement X ou gamma dans une scène, dans lequel un spectre dudit rayonnement est fourni en entrée d'un premier ensemble (CBNN_ID) d'une pluralité de réseaux de neurones convolutifs, chaque réseau de neurones convolutif dudit premier ensemble étant associé à au moins une espèce atomique à identifier et ayant au moins une sortie (CS) indicative de la présence ou l'absence de ladite espèce atomique dans la scène. Avantageusement, un second ensemble (CBNN_PRO) d'une pluralité de réseaux de neurones convolutifs permet de déterminer une proportion en signal de chaque espèce émettrice présente au rayonnement X ou gamma issu de la scène. Dispositif de mise en œuvre d'un tel procédé.

Description

Description
Titre de l'invention : Procédé et dispositif d’identification d’espèces atomiques émettant un rayonnement X ou
gamma
[0001 ] L’invention porte sur un procédé et un dispositif d’identification d’espèces émettrices de rayonnement X ou gamma, et préférentiellement de détermination quantitative de la contribution de chaque espèce au rayonnement. Elle relève du domaine technique de l’instrumentation nucléaire, et plus précisément de la
spectroscopie X et gamma.
[0002] L’invention s’applique à chaque fois qu’il est nécessaire d’identifier des radionucléides et/ou des espèces atomiques présentant une fluorescence X dans un échantillon ou dans un environnement : radiochimie, analyses chimiques et radiochimique, décontamination et démantèlement de sites nucléaires, etc.
[0003] On entend par rayonnement X ou gamma un rayonnement électromagnétique d’énergie supérieure à 100 eV ; plus particulièrement, dans le contexte de l’invention, on s’intéresse à un rayonnement d’énergie comprise entre 2 keV et 2 MeV environ.
La distinction entre rayonnement X et gamma ne tient pas à la nature du
rayonnement, mais à son origine : un rayonnement X présente une origine
électronique (typiquement, des transitions électroniques impliquant des niveaux énergétiques internes) tandis qu’un rayonnement gamma est d’origine nucléaire. Aussi, l’invention permet d’identifier des radionucléides (isotopes) à partir de leur spectre de rayonnement gamma et des espèces atomiques non nécessairement radioactives à partir de leur spectre de fluorescence X. Les espèces atomiques pouvant être identifiées à partir de leur spectre de fluorescence X et les
radionucléides pouvant être identifiés à partir de leur spectre gamma sont indiquées conjointement par l’expression « espèces émettrices ». Dans la suite, on considérera plus spécifiquement le cas où les espèces émettrices sont des radionucléides mais, sauf indication contraire, tout ce qui sera dit peut également s’appliquer aux émetteurs X.
[0004] Les méthodes conventionnelles d’identification de radionucléides à partir de leur rayonnement gamma se basent principalement sur l’extraction des pics photoélectriques dans le spectre issu de l’acquisition du détecteur ou sur l’étude de zones d’intérêt dans le spectre. Voir par exemple (Lutter 2018).
Dans ce type de méthode, des signatures spectrales caractéristiques des
radionucléides d’intérêt (raies gamma ou X) sont ajustées avec un modèle Gaussien et un fond continu pour en déduire leur position en énergie. Un ou plusieurs pics présents dans le spectre sont comparés simultanément aux tables des raies nucléaires des isotopes radioactifs (ou aux raies de fluorescence X des différents éléments), ce qui permet leur identification.
Ces méthodes présentent l’inconvénient de nécessiter le recours à un expert pour identifier les zones d’intérêt du spectre. En outre, elles nécessitent une statistique de photons suffisante pour faire apparaître clairement les pics à identifier. L’information contenue dans le fond continu du spectre (fond Compton) est perdue.
[0005] De telles méthodes peuvent être accompagnées de techniques d’intelligence artificielle, et notamment de réseaux de neurones. Déjà en 1995 (Vigneron 1995) avait proposé d’analyser des pics d’émission gamma au moyen d’un réseau de neurones de type « perceptron multicouches » pour déterminer le taux
d’enrichissement de l’uranium. Plus récemment, (Yoshida 2002) a appliqué un réseau de neurones de type « perceptron multicouches » à l’identification de radionucléides dans un mélange, et (Medhat 2012) à une analyse radiochimique quantitative. L’utilisation de techniques d’intelligence artificielle ne permet cependant pas de surmonter l’ensemble des inconvénients de ces approches, et notamment la nécessité d’un prétraitement « expert » pour déterminer les régions d’intérêt des spectres à analyser.
[0006] D’autres techniques permettent d’analyser l’ensemble d’un spectre, sans besoin de prétraitement expert.
[0007] Par exemple (Olmos 1991 ) propose d’utiliser un réseau de neurones pour identifier des radionucléides dans un mélange à partir de l’intégralité du spectre de rayonnement gamma émis par ce dernier. L’article ne précise pas le type de réseau de neurones effectivement utilisé ; en outre, le niveau de signal requis doit être relativement élevé (environ 104 photons détectés rien que dans le pic d’émission principal). [0008] (Bobin 2016) utilise des réseaux de neurones impulsionnels (« spiking neural networks ») pour déterminer la proportion de radionucléides dans un mélange à partir du spectre de rayonnement gamma émis par ce dernier. La méthode nécessite un modèle précis du spectre de la source et n’est pas robuste aux changements de configuration (variations du taux d’atténuation/diffusion du rayonnement). En outre, elle ne permet pas d’identifier les radionucléides : aussi, on ne peut pas savoir si les espèces atomiques trouvées en faible proportion sont absentes ou sont réellement présentes en faible proportion.
[0009] (Kamuda 2017) utilise un réseau de neurones de type perceptron, entraîné à partir de données synthétiques, pour déterminer la part de contribution de chaque radionucléide au rayonnement gamma émis par une source. Intrinsèquement, la méthode ne permet d’identifier qu’un nombre limité (par exemple 4) de
radionucléides distincts.
[0010] (Abdel-Aal 1997) utilise des réseaux de neurones de type AIM abductifs pour déterminer les intensités relatives de plusieurs sources à partir de spectres à faible résolution, dans lesquels des régions d’intérêt sont identifiées de manière
automatique. Comme dans (Bobin 2016), on ne peut pas savoir si les espèces atomiques trouvées en faible proportion sont absentes ou sont réellement présentes en faible proportion.
[0011 ] US 2019/034786 divulgue, d’une manière générale et avec peu de détails, l’utilisation d’un perceptron multicouches pour détecter ou identifier des
radionucléides. Le perceptron peut présenter plusieurs sorties, correspondant chacune à une espèce émettrice ou à un groupe d’espèces émettrices.
[0012] CN 109 063 741 divulgue également l’utilisation de réseaux de neurones pour détecter ou identifier des radionucléides. Plus spécifiquement, le document divulgue la conversion des spectres en images bidimensionnelles au moyen d’une courbe de Hilbert avant l’application d’un réseau de neurones.
[0013] L’invention vise à surmonter les inconvénients précités de l’art antérieur. Plus particulièrement, elle vise à permettre l’identification d’un nombre quelconque d’espèces atomiques émettrices dans un mélange à partir du spectre X ou gamma de ce dernier, et cela indépendamment de la configuration de la scène (présence de matériau absorbant ou diffusant entre la ou les sources présentes dans l’environnement et le détecteur spectrométrique) et sans prétraitement sophistiqué incluant l’identification de régions d’intérêt du spectre.
[0014] Avantageusement, en outre, l’invention vise à déterminer la probabilité de présence de chacune des espèces émettrices, et préférentiellement une incertitude sur cette probabilité.
[0015] Avantageusement, en outre, l’invention vise à déterminer la proportion dans le signal de chaque source identifiée, ainsi que donner une incertitude sur cette proportion.
[0016] Avantageusement, en outre, l’invention vise à permettre l’utilisation de différents types de détecteur spectrométrique (CdTe, CdZnTe, Hgl2, Nal, HPGe ou tout type de spectromètre gamma opérant dans la bande d’énergie du keV au
MeV...), à condition qu’il soit capable de mesurer et restituer l’énergie de chaque événement détecté, événement par événement, ou a minima, de fournir le spectre des énergies mesurées.
[0017] Avantageusement, en outre, l’invention vise à permettre d’éviter des opérations longues et complexes d’étalonnage fin en énergie et à s’affranchir d’éventuelles dérives du détecteur ou des conditions opérationnelles dans le temps. Idéalement, un étalonnage en usine avec une erreur de l’ordre de 2% doit être suffisant pour identifier les espèces émettrices et, le cas échéant, déterminer leur proportion.
[0018] Conformément à un aspect de l’invention, au moins certains de ces buts sont atteints grâce à l’utilisation d’une pluralité de réseaux de neurones de type convolutif, chargés chacun de l’identification d’une seule espèce émettrice. En variante, comme cela sera discuté plus en détail plus loin, chaque neurone pourra être chargé de l’identification d’un groupe distincts d’espèces émettrices.
[0019] Conformément à un autre aspect de l’invention, au moins certains de ces buts sont atteints grâce à l’utilisation d’une deuxième pluralité de réseaux de neurones de type convolutif, chargés chacun de la détermination de la proportion d’une seule espèce émettrice (ou groupe d’espèces émettrices) déjà identifiée.
[0020] Conformément à un autre aspect de l’invention, ces réseaux de neurones sont entraînés à partir de données spectrales synthétiques. [0021 ] Conformément à un autre aspect de l’invention, les spectres fournis en entrée aux réseaux de neurones d’identification des espèces émettrices sont préalablement convertis à l’échelle logarithmique.
[0022] Conformément à un autre aspect de l’invention, une opération de « dropout » (extinction aléatoire d’une fraction des neurones des couches internes) est appliquée à ces réseaux de neurones afin de déterminer les niveaux d’incertitude sur la présence, et le cas échéant sur la proportion, de chaque espèce émettrice.
[0023] Conformément à un autre aspect de l’invention, les différents réseaux de neurones présentent chacun une paire de neurones de sorties complémentaires, utilisant par exemple une fonction d’activation de type « softmax ».
[0024] Conformément à un autre aspect de l’invention, une fois des espèces émettrices identifiées, cette information est utilisée pour effectuer un « auto étalonnage » en énergie du détecteur.
[0025] Un objet de l’invention est donc un procédé d’identification d’espèces émettrices de rayonnement X ou gamma dans une scène, le procédé comprenant les étapes suivantes :
a) acquérir, au moyen d’un détecteur spectrométrique, un spectre d’un rayonnement X ou gamma issu de la scène ;
b) appliquer au spectre acquis une première opération de transformation de données incluant au moins une normalisation ;
c) fournir le spectre transformé en entrée d’un premier ensemble d’une pluralité de réseaux de neurones convolutifs, chaque réseau de neurones convolutif dudit premier ensemble étant associé à une o espèce émettrice à identifier respective, ou à un groupe d’espèces émettrices à identifier respectif et ayant au moins une sortie; et
d) pour chaque réseau de neurones convolutif du premier ensemble, déterminer si ll’espèce émettrice correspondante, ou le groupe d’espèces émettrices
correspondant, est présent dans la scène en fonction de ladite ou desdites sorties les étapes a) à d) étant mises en oeuvre au moyen d’un circuit de traitement de signaux.
[0026] Un autre objet de l’invention est un produit programme d’ordinateur
comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent celui-ci à mettre en oeuvre les étapes b) et suivantes d’un tel procédé.
[0027] Encore un autre objet de l’invention est un dispositif d’identification d’espèces émettrices de rayonnement X ou gamma dans une scène, comprenant :
un circuit de traitement de signaux générés par un détecteur spectrométrique, ledit circuit étant configuré ou programmé pour :
acquérir dudit détecteur une série d’évènements, chaque évènement étant associé à une grandeur physique représentative d’une valeur d’énergie d’un photon X ou gamma détecté par ledit détecteur spectrométrique ;
convertir ladite série d’évènements en un spectre d’énergie du rayonnement X ou gamma par application d’une fonction d’étalonnage dépendant d’un ensemble de paramètres d’étalonnage ;
appliquer au spectre d’énergie du rayonnement X ou gamma une première opération transformation de données incluant au moins une normalisation ;
fournir le spectre ainsi transformé en entrée d’un premier ensemble d’une pluralité de réseaux de neurones convolutifs, chaque réseau de neurones convolutif dudit premier ensemble étant associé à une espèce émettrice respective, ou à un groupe d’espèces émettrices respectif, et ayant au moins une sortie; et
pour chaque réseau de neurones convolutif du premier ensemble, déterminer si ll’espèce émettrice correspondante ou le groupe d’espèces émettrices
correspondant est présent dans la scène en fonction de ladite ou desdites sorties.
[0028] Selon des modes de réalisation particuliers d’un tel dispositif :
[0029] Le circuit de traitement de signaux générés par le détecteur de rayonnement peut être également configuré ou programmé pour :
appliquer au spectre d’énergie du rayonnement X ou gamma une seconde opération transformation de données incluant au moins une normalisation ;
fournir le spectre ainsi transformé en entrée d’un second ensemble d’une pluralité de réseaux de neurones convolutifs, chaque réseau de neurones convolutif dudit second ensemble étant associé à une ou plusieurs espèce émettrices respectives ayant été déterminées comme étant présente dans la scène et ayant au moins une sortie ; et
pour chaque réseau de neurones convolutif du second ensemble, déterminer en fonction de ladite sortie scalaire ou paire de sorties scalaires une proportion en signal de l’espèce ou des espèces émettrices correspondantes.
[0030] Le circuit de traitement de signaux générés par le détecteur de rayonnement peut être également configuré ou programmé pour déterminer des valeurs optimales desdits paramètres d’étalonnage par maximisation d’une fonction de corrélation entre un spectre acquis et un spectre théorique calculé en fonction des espèces émettrices déterminées comme étant présentes dans la scène.
[0031 ] Chaque réseau de neurones convolutif peut être associé à une seule espèce émettrice respective.
[0032] Chaque réseau de neurones convolutif peut comprendre une paire de neurones de sortie complémentaires.
[0033] Les photons X ou gamma détectés peuvent présenter une énergie dans au moins une partie de la plage comprise entre 2 keV et 2 MeV.
[0034] Le dispositif peut comprendre également ledit détecteur spectrométrique (SPM).
[0035] Les dessins annexés illustrent l’invention :
[0036] [Fig. 1 ] est un schéma de principe d’un dispositif selon un mode de réalisation de l’invention.
[0037] [Fig. 2] est une représentation d’un réseau de neurones convolutif pouvant être utilisé dans un dispositif et/ou un procédé selon l’invention.
[0038] [Fig. 3] est un organigramme d’un procédé selon un mode de réalisation de l’invention.
[0039] [Fig. 4] est un exemple de spectre de rayonnement X ou gamma.
[0040] [Fig. 5] illustre l’identification des espèces atomiques à l’origine du
rayonnement de la [Fig. 4]
[0041 ] [Fig. 6] illustre la détermination des proportions de ces espèces atomiques.
[0042] [Fig. 7 A],
[0043] [Fig. 7B],
[0044] [Fig. 7C], [0045] [Fig. 7D],
[0046] [Fig. 7E] et
[0047] [Fig. 7F] illustrent l’avantage conféré par l’utilisation de réseaux de neurones présentant deux sorties complémentaires plutôt qu’une seule sortie.
[0048] [Fig. 8A],
[0049] [Fig. 8B], et
[0050] [Fig. 8C], illustrent l’avantage conféré par l’utilisation de réseaux de neurones distincts pour l’identification des espèces atomiques et pour la quantification de leur contribution au rayonnement.
[0051 ] Le dispositif de la [Fig. 1 ] comporte un détecteur spectrométrique de
rayonnement X ou gamma (c’est-à-dire un détecteur sensible à l’énergie des photons détectés) et un circuit de traitement CTS de signaux générés par le détecteur de rayonnement.
[0052] Le détecteur spectrométrique SPM comprend un élément sensible ES, de préférence pixélisé, un circuit analogique de lecture EL et un convertisseur
analogique-numérique ADC.
[0053] Le détecteur spectrométrique acquiert des photons issus d’une scène SC dans lequel se situent différents radionucléides (ou espèces atomiques émettrices d’un rayonnement de fluorescence X) S, (Si ... SN) d’activité A, (Ai ... AN) - dont l’identité et l’abondance relative sont inconnues a priori - potentiellement situés à des distances différentes du détecteur. Un matériau absorbant ou diffusant ABS peut se situer entre une ou plusieurs sources et le détecteur. Chaque radionucléide S, émet des photons P, à des énergies Ek,i . Par exemple, on désigne Pi (Ek,i) un photon d’énergie Ek,i émis par le premier radionucléide S-i.
[0054] L’élément sensible ES peut être de tout type adapté pour détecter des photons X/gamma issus de la scène dans au moins une portion de la plage
spectrale 2 keV - 2 MeV. Il peut s’agir par exemple d’un pixel semi-conducteur en Si, Ge, CdTe, etc., d’un capteur à scintillateur, d’un capteur pérovskite, etc.
[0055] L’élément sensible génère un signal sous la forme d’une grandeur physique, généralement électrique, représentative de l’énergie de chaque photon X ou gamma reçu (typiquement, il s’agit d’une impulsion de courant dont la charge électrique est proportionnelle à cette énergie). Le circuit électronique de lecture EL effectue un prétraitement analogique, conventionnel, des signaux issus de l’élément sensible : amplification, mise en forme des impulsions, détection de leur hauteur ou énergie. Les signaux analogiques SA issus de l’électronique de lecture sont convertis au format numérique par le convertisseur ADC.
[0056] De préférence, les photons sont détectés un par un, leur énergie est enregistrée et datée par le détecteur. Ces informations, contenues dans le flux de données numériques FDN issu du convertisseur ADC, sont transmises au circuit de traitement CTS. Ce dernier peut être embarqué ou déporté ; dans ce dernier cas, un lien de télécommunications doit être établi entre le détecteur spectrométrique et le circuit de traitement.
[0057] Le circuit de traitement de signaux peut comprendre un ou plusieurs processeurs génériques, ou spécialisés pour le traitement numérique de signaux, programmés de manière opportune. En variante ou en complément, il peut comprendre des circuits numériques dédiés. En général, en outre, il comprend des mémoires vives pour stocker les données à traiter (notamment les évènements générés par le détecteur spectrométrique) et des mémoires vives et/ou mortes pour stocker des paramètres d’étalonnage, des coefficients de réseaux de neurones etc. D’une manière générale, l’invention n’est pas limitée à une technologie particulière de réalisation du circuit de traitement de signaux. Dans la description qui suit de ce circuit, la décomposition en blocs et modules est purement fonctionnelle, ces blocs et modules ne correspondent pas nécessairement à des éléments physiques distincts.
[0058] Dans le mode de réalisation de la [Fig. 1 ], le circuit de traitement de signaux CTS comprend trois modules : un module d’identification de sources ID, un module d’apprentissage APP et un module d’auto-étalonnage AE. Dans d’autres modes de réalisation, le module d’apprentissage peut être absent, auquel cas l’apprentissage des réseaux de neurones du module d’identification est effectué au moyen d’un autre dispositif et les coefficients des réseaux de neurones appris sont simplement transférés au dispositif d’identification d’espèces émettrices. Dans d’autres modes de réalisation, le module d’auto-étalonnage peut être absent, mais cela signifie qu’un étalonnage précis doit être effectué préalablement (par exemple, dans un laboratoire de métrologie) et que des précautions devront être prises pour minimiser les dérives dans la réponse du détecteur spectrométrique.
[0059] Le flux de données numériques FDN issu du détecteur spectrométrique est reçu par le module d’identification du circuit CTS et stocké dans une mémoire d’évènements MEV. Un module de construction de spectres MCS convertit ces évènements en spectres à l’aide d’une table d’étalonnage TE, stockée dans une mémoire, qui permet d’associer une énergie photonique à chaque évènement de détection. Cette table d’étalonnage, établie préalablement, peut être relativement imprécise, avec une erreur sur les valeurs d’énergie qui peut atteindre 2%. Comme cela sera expliqué en détail plus loin, le module d’auto-étalonnage AE permet de mettre à jour les tables d’étalonnage en améliorant leur précision. Dans le cas d’un détecteur pixélisé, l’étalonnage se fait pixel par pixel, avec une table d’étalonnage différente pour chaque pixel.
[0060] Chaque spectre est en fait un histogramme d’énergie : une valeur d’énergie est attribuée à chaque évènement ; les évènements sont groupés en classes d’énergie (« bins ») et le spectre est constitué par le nombre d’évènements appartenant à chaque classe. On entend donc par « spectre » la distribution spectrale des photons détectés sur un intervalle de temps donné, dont la durée peut être fixe ou choisie par l’utilisateur.
[0061 ] Un module de transformation des données MTD effectue ensuite des prétraitements des spectres. Dans le mode de réalisation considéré ici, deux prétraitements distincts sont effectués.
[0062] D’une part, chaque spectre acquis est converti à l’échelle logarithmique, puis normalisé. Le spectre ainsi transformé, SNlog, est utilisé pour l’identification des espèces émettrices. Plus particulièrement, soit Si le nombre d’évènements dans la i- ème classe d’énergie. On applique une première opération
[0063] [Math. 1 ]
[°064] SNÎ = 'O«fe )
[0065] Puis le spectre normalisé est calculé de la manière suivante :
[0066] [Math. 2]
Figure imgf000013_0001
[0068] L’utilisation d’une échelle logarithmique permet de révéler des structures spectrales de faible amplitude mais qui contribuent efficacement à l’identification des espèces émettrices.
[0069] D’autre part, le spectre est également normalisé en norme 1 (ce qui consiste à faire en sorte que la somme des valeurs associées à chaque classe d’énergie soit 1 ) sans conversion logarithmique. Le spectre ainsi transformé, SN1 , donné par :
[0070] [Math. 3]
Figure imgf000013_0002
[0072] est utilisé pour déterminer les proportions des espèces émettrices identifiées.
[0073] Plus généralement, le prétraitement peut être une transformation d’échelle. Dans tous les cas, et contrairement à l’enseignement de CN 109 063 741 , il n’y a pas de changement de la dimensionnalité des données - les spectres prétraités restent unidimensionnels.
[0074] Le spectre SNlog est fourni en entrée à un module CBNNJD qui met en oeuvre une pluralité de M réseaux de neurones convolutifs « bayésiens », chacun prenant l’intégralité du spectre en entrée et fournissant à sa sortie une valeur PPj indicative d’une probabilité de présence dans la scène d’un radionucléide particulier (identifié par l’indice « j »), ainsi qu’un niveau de confiance sur cette probabilité. Il y a donc un réseau de neurones distinct pour chaque espèce émettrice que l’on souhaite pouvoir identifier. La structure et le fonctionnement de ces réseaux de neurones convolutifs bayésiens seront décrits plus en détail dans la suite.
[0075] Un module de seuillage MS est utilisé pour déterminer quelles espèces émettrices sont considérées comme étant effectivement présentes dans la scène. Pour cela le module de seuillage prend en considération la probabilité de présence et, éventuellement, son niveau d’incertitude.
[0076] En sortie du module d’identification l’on obtient donc une liste LEA d’espèces émettrices présentes dans la scène. [0077] Le spectre normalisé en norme 1 , SN1 , est fourni en entrée à un module CBNN_PRO qui met en oeuvre une pluralité de M réseaux de neurones convolutifs « bayésiens », chacun correspondant à un radionucléide particulier. Chaque réseau de neurones du module CBNN_PRO qui correspond à un radionucléide « j » déjà identifié comme étant présent dans la scène prend en entrée l’intégralité du spectre et fournit à sa sortie une valeur PROj indicative de la proportion de ce radionucléide dans le signal enregistré, ainsi qu’un niveau de confiance sur cette proportion.
Autrement dit, la valeur PROj correspond au pourcentage de photons enregistrés qui peuvent être attribués au radionucléide « j » (par abus de langage on parle plus simplement de la proportion du radionucléide « j » dans la scène, mais cela n’est exact que dans des conditions particulières, si tous les émetteurs sont à une même distance du détecteur et en présence des mêmes matériaux absorbants/diffusants).
Il y a donc un réseau de neurones distinct pour chaque espèce atomique. Ces réseaux de neurones peuvent être du même type que ceux utilisés pour
l’identification des espèces émettrices.
[0078] En sortie du module d’identification l’on obtient donc aussi une liste LP de proportions des espèces atomiques identifiées.
[0079] Les réseaux de neurones des modules CBNNJD et CBNN_PRO ont été préalablement entraînés par apprentissage supervisé à partir d’une base de données synthétique BDS, c’est-à-dire des données simulées, générée par le module d’apprentissage APP. L’apprentissage produit deux bases de données de paramètres, PRNJD et PRN_PRO, caractérisant les réseaux de neurones
d’identification et de détermination des proportions, qui sont stockés dans des mémoires.
[0080] Les spectres synthétiques sont créés par un simulateur Monte-Carlo (bloc SS sur la [Fig. 1 ]) qui permet de simuler les interactions photon-matière dans le détecteur ainsi que dans l’environnement direct du détecteur et, avantageusement, un éventuel bruit de fond. Pour chaque photon, il est ensuite nécessaire d’appliquer la réponse du détecteur, c’est-à-dire, la résolution en énergie due aux fluctuations statistiques dans la création de paires électrons-trous, celle due au bruit électronique ainsi que la perte de charge dans le détecteur (bloc RD). C’est un modèle physique qui est appliqué une seule fois pour une liste de source d’intérêt donnée comportant autant de sources que souhaitées. [0081 ] Chaque espèce atomique émettrice est simulée indépendamment et les données simulées sont restituées sous la forme d’une liste d’événements donnant l’énergie déposée par chaque photon dans le détecteur spectrométrique. Ensuite, des mélanges de différents radioéléments sont générés de façon synthétique également (bloc MIX) : pour cela, on tire aléatoirement des énergies dans les listes d’énergie simulées pour chaque radioélément du mélange, avec des statistiques différentes et des proportions différentes. La proportion de photons attribuée à chaque espèce atomique émettrice est enregistrée.
[0082] Un « dé-étalonnage » intentionnel est ensuite appliqué pour que les réseaux de neurones apprennent l’effet d’une dérive des lois d’étalonnage. On tire un gain g dans une gaussienne centrée sur 1 et d’écart-type ogain ainsi qu’un décalage off dans une gaussienne centrée sur 0 et d’écart-type ooff. Sur toutes les énergies E d’un même mélange, on calcule alors la nouvelle énergie dé-étalonnée Ed par :
[0083] [Math. 3]
[0084] E = g(E— off)
[0085] Plusieurs spectres synthétiques dé-étalonnés de chaque source et mélange de source sont enregistrés dans la base de données BDS utilisée pour
l’apprentissage.
[0086] Les blocs AJD1 - AJDM mettent en oeuvre les algorithmes d’apprentissage supervisé des M réseaux de neurones convolutifs du bloc CBNNJD, et produisent M ensembles de paramètres caractérisant chacun de ces réseaux de neurones ; ces paramètres sont stockés dans la base de données BDNJD précitée. De même, les blocs A_PR01 - A_PROM mettent en oeuvre les algorithmes d’apprentissage supervisé des M réseaux de neurones convolutifs du bloc CBNN_PRO, et produisent M ensembles de paramètres caractérisant chacun de ces réseaux de neurones ; ces paramètres sont stockés dans la base de données BDN_PRO précitée.
[0087] Les sources synthétiques du bloc SS sont également utilisées par le module AE afin de mettre en oeuvre un processus d’auto-étalonnage du détecteur spectrométrique. En connaissant les radionucléides présents dans la source et leurs proportions (données fournies par le module d’identification ID) il est en effet possible d’utiliser ces sources synthétiques pour calculer un spectre « attendu ». Un algorithme de type maillage adaptatif ou algorithme génétique est ensuite utilisé par le bloc ECC pour trouver un ensemble de paramètres d’étalonnage qui maximise la corrélation entre ce spectre attendu et celui fourni par le module MCS. Ces paramètres sont utilisés pour mettre à jour les tables d’étalonnage utilisées par le module ID. On remarquera que certains blocs (MEV, MCS, SS, TE) apparaissent à plusieurs endroits dans la [Fig. 1 ] dans un souci de lisibilité.
[0088] Le bloc ECC met en oeuvre l’algorithme d’étalonnage en énergie par corrélation décrit dans (Maier 2016).
[0089] Cet étalonnage ne requiert pas d’intervention de l’utilisateur et ne repose que sur la mesure effectuée en temps réel dans la scène à analyser
[0090] Les réseaux convolutifs bayésiens utilisés pour l’identification des sources atomiques émettrices et la détermination de leurs proportions seront maintenant décrits à l’aide de la [Fig. 2]
[0091 ] D’une manière connue en soi - voir par exemple (Aloysius 2017) - un réseau convolutif comprend une première partie composée de plusieurs couches de convolution permettant d’extraire différentes caractéristiques des spectres en entrée et une seconde partie constituée d’un perceptron multicouches (dans la littérature en langue anglaise on parle aussi de couches « fully-connected », c’est-à-dire
« entièrement connectées »).
[0092] Dans le mode de réalisation de la [Fig. 1 ], l’entrée est constituée par un spectre SP0 comprenant 2000 canaux, chaque canal étant une valeur représentative de l’énergie du spectre dans une plage spectrale respective.
[0093] La première couche convolutive CC1 comprend 16 neurones convolutifs. Chaque neurone convolutif effectue les opérations suivantes :
- filtrage par un filtre convolutif ayant un noyau de 16 éléments, avec un remplissage par des zéros pour conserver la dimension des données.
- Réduction dimensionnelle de la sortie du filtre par une opération de « Max
Pooling » de taille deux.
- Normalisation par lots (« batch normalization » en anglais).
- Application d’une fonction d’activation non-linéaire, dans ce cas de type ReLU. [0094] L’opération de MaxPooling de taille 2 consiste à prendre le spectre et ne conserver qu’un seul canal sur deux, le plus grand. Cela réduit la dimension du spectre d’un facteur 2.
[0095] L’opération de normalisation par lots - connue en soi, voir (loffe 2015) - consiste à rassembler les données de la base de données d’apprentissage par sous- ensembles appelés lots ou « batches », effectuer une itération d’apprentissage sur chacun des lots (comme cela sera décrit plus loin), puis normaliser en moyenne et en variance les sorties de chaque neurone correspondant au lot considéré. Une fois l’entraînement, les paramètres de normalisation sur l’ensemble de la base de données sont sauvegardés pour appliquer la même normalisation lors de l’utilisation des réseaux de neurones pour l’identification et la détermination des proportions des espèces émettrices.
[0096] La fonction d’activation ReLU est définie par :
ReLU(x)=max(0,x).
[0097] La sortie de la première couche convolutive est donc constituée de 16 spectres de caractéristiques SP1 ,0 - SP1 ,15 de dimension 1000. Ces données sont fournies en entrée à la seconde couche convolutive CC2 qui est en tout point semblable à la première, sauf en ce qu’elle opère sur des données de dimension 1000.
[0098] La sortie de la deuxième couche convolutive est donc constituée de 16 spectres de caractéristiques SP2,0 - SP2,15 de dimension 1000. Ces données sont fournies en entrée à la troisième couche convolutive CC3 qui est en tout point semblable aux deux premières, sauf en ce qu’elle opère sur des données de dimension 500 et que sa sortie est donc constituée de 16 spectres de
caractéristiques SP3,0 - SP3,15 de dimension 250.
[0099] Ces derniers sont aplatis pour former un vecteur SPA4 de 4000 éléments qui sont tous fournis en entrée à chacun des 20 neurones d’une couche de perceptron CP utilisant, comme les couches convolutives, une fonction d’activation de type ReLU.
[0100] La dernière couche, ou couche de sortie, CS du perceptron est
préférentiellement composée de deux neurones avec une fonction d’activation de type « softmax » où, en notant Xj la sortie du neurone avant la fonction d’activation : [0101 ] [Math. 4]
[01 02] softmax(
Figure imgf000018_0001
[0103] j étant l’indice qui identifie les deux neurones de sortie.
[0104] Pour les réseaux d’identification, le premier neurone de la couche de sortie donne un nombre compris entre 0 et 1 qui représente l’absence ou la présence du radioélément dans le mélange, tandis que le deuxième neurone est le
complémentaire à 1 du premier neurone.
[0105] Pour les réseaux d’évaluation des proportions, le premier neurone donne un nombre compris entre 0 et 1 qui correspond à la proportion en signal du
radioélément tandis que le deuxième neurone correspond à la proportion en signal de tous les autres éléments.
[0106] L’utilisation de deux neurones de sortie complémentaires n’est pas essentielle, mais avantageuse comme cela sera discuté plus loin à l’aide des figures 7 A à 7F.
[0107] Les paramètres ou coefficients des réseaux de neurones (noyaux des couches convolutives CC1 , CC2 et CC3, poids synaptiques des couches de perceptron) sont appris, de manière supervisée, utilisant par exemple un algorithme de descente du gradient. Par exemple, dans le mode de réalisation discuté plus loin en référence aux figures 4 à 6, l’on utilise un algorithme de descente de gradient stochastique avec un taux d’apprentissage de 0,01 qui décroît de 0,001 à chaque itération, un moment de 0,9 et l’utilisation du moment Nesterov, l’apprentissage étant effectué sur 10 itérations sur des lots de 1000 exemples.
[0108] Plus précisément, dans ce mode de réalisation, La fonction de coût utilisée et minimisée pendant la phase d’apprentissage pour ce réseau d’identification est l’entropie binaire croisée, définie comme :
[0109] [Math. 6]
[01 10] L(ypred, yréel) — yréel· lo§(ypred) "F (1 — yréel) · log(l — y réel)
[01 11 ] où yréel est la vraie valeur que doit avoir le neurone en sortie et ypred est la valeur prédite par le réseau.
[01 12] L’apprentissage du réseau d’évaluation des proportions est effectué avec les spectres synthétiques normalisés en norme 1. La sortie à prédire par le premier neurone est la proportion du radioélément dans le mélange et celle du deuxième neurone est la proportion des autres radioéléments.
[01 13] La fonction de coût utilisée et minimisée pour ce réseau est l’écart quadratique moyen :
[01 14] [Math. 5]
2
[01 1 5] L(ypred, yréei)— (ypred — y réel)
[01 16] Les deux fonctions de coût sont évaluées en moyenne sur l’ensemble des exemples de la base de données.
[01 17] Le caractère « bayesien » du réseau de neurones de la [Fig. 2] est obtenu en éteignant de manière aléatoire une fraction des neurones des couches
intermédiaires (« dropout »), voir (Gai 2016), et cela aussi bien lors de
l’apprentissage que pendant l’utilisation du réseau. Chaque réseau de neurones est appliqué une pluralité de fois à chaque spectre d’entrée et, du fait de l’extinction aléatoires des neurones, il renvoie à chaque fois un résultat différent dont la distribution statistique renseigne sur l’incertitude affectant l’identification d’une espèce atomique émettrice et/ou sa proportion. Par exemple, dans le mode de réalisation discuté plus loin en référence aux figures 4 à 6, le taux d’extinction des neurones est de 50% pour chacune des couches intermédiaires et chaque réseau de neurones est appliqué 100 fois.
[01 18] La [Fig. 3] illustre de manière schématique le procédé d’identification d’espèces atomiques émettrices décrit plus haut.
[01 19] L’étape a) comprend l’acquisition d’un spectre au moyen du détecteur spectrométrique SPM.
[0120] L’étape b) comprend la transformation des données préalable à l’application des réseaux de neurones d’identification - c’est-à-dire, dans un mode de réalisation préféré de l’invention - la conversion du spectre à l’échelle logarithmique et sa normalisation.
[0121 ] L’étape c) comprend l’application des réseaux de neurones convolutifs, de préférence bayesiens, au spectre transformé par l’étape c). [0122] L’étape d) comprend l’identification des espèces émettrices présentes dans la scène en fonction des sorties des réseaux de neurones d’identification.
[0123] L’étape e) comprend la transformation des données préalable à l’application des réseaux de neurones de proportions - c’est-à-dire, dans un mode de réalisation préféré de l’invention - la normalisation du spectre en norme 1.
[0124] L’étape f) comprend l’application des réseaux de neurones convolutifs, de préférence bayesiens, au spectre transformé par l’étape e).
[0125] L’étape g) comprend la détermination des proportions des espèces émettrices identifiées lors de l’étape d) en fonction des sorties des réseaux de neurones de proportions.
[0126] L’étape h) correspond à l’auto-étalonnage, qui met à jour les tables
d’étalonnage utilisées pour la mise en oeuvre de l’étape a).
[0127] L’étape préalable app) correspond à l’apprentissage des réseaux de neurones utilisés dans les étapes c) et f).
[0128] Le procédé peut s’arrêter à l’étape c) si seule l’identification des espèces émettrices est requise, voire à l’étape g) si l’auto-étalonnage n’est pas utilisé.
[0129] L’invention a été testée en utilisant, en tant que détecteur spectrométrique, un spectro-imageur pixélisé à base de semi-conducteur CdTe et de ses circuits de lectures optimisés (Gevin 2012). Le spectro-imageur comprend 256 pixels au pas de 800 pm avec 2 mm d’épaisseur, une dynamique en énergie de 1 keV à 1 MeV, et une résolution en énergie de 0,7 keV (largeur totale à mi-hauteur) à 60 keV.
[0130] Des résultats semblables ont été obtenus en utilisant un spectro-imageur du même type mais présentant une épaisseur de 1 mm et un pas de 625 pm. Le changement de détecteur n’a même pas nécessité de réapprentissage des réseaux de neurones, ce qui confirme la robustesse de la méthode d’identification selon l’invention.
[0131 ] Le spectro-imageur a été installé dans une enceinte sous vide, refroidi par des modules Peltier à une température de -15°C environ et soumis à un champ de polarisation de 300 V/mm. Le signal enregistré par les circuits de lecture est transmis à un circuit numérique programmable Zynq par l’intermédiaire d’une carte d’interface CIF. Le circuit numérique stocke les événements et les transmet à un ordinateur de contrôle sur lequel est effectué le processus de spectro-identification. Les événements sont renvoyés sous forme d’une liste contenant le pixel d’interaction, l’énergie déposée non calibrée et la date d’interaction. Le spectre somme de tous les pixels est pré-étalonné avec une table d’étalonnage déterminée à l’avance par une calibration initiale unique en laboratoire (en variante, on pourrait appliquer la fonction de transfert théorique de la chaîne d’acquisition).
[0132] Les données synthétiques ont été générées grâce à simulation semi- analytique en modélisant le détecteur et son environnement très proche, à savoir la structure qui contient le détecteur. Les interactions photons-matière dans
l’environnement et dans le détecteur ont été simulées et les dépôts d’énergie dans le détecteur ainsi que leur position ont été enregistrées. Un simulateur Geant4 peut aussi être utilisé pour effectuer ces simulations.
[0133] Pour chaque dépôt d’énergie, les fluctuations statistiques d’énergie ont été prises en compte en tirant une énergie dans une gaussienne centrée sur l’énergie E0 déposée, d’écart-type
[0134] [Math. 7]
[0135] s = / swE0F, OÙ
[0136] ew=4,42 eV est l’énergie de création de paires électrons-trous dans le CdTe et F=0,15 est le facteur de Fano pour le CdTe.
[0137] Pour prendre en compte la perte de charge, le potentiel de pondération dans le détecteur a été calculé en résolvant l’équation de Poisson AUw=0 en coordonnées cylindriques sur le détecteur à l’aide de la méthode de résolution par différences finies, avec pour condition aux limites de fixer 1 sur l’électrode sur laquelle le signal est induit et 0 sur les autres électrodes et sur la cathode. Le domaine de simulation a été étendu à 2 électrodes de part et d’autre de l’électrode sur laquelle le signal est induit. En variante, une méthode de résolution par éléments finis aurait pu être utilisée. Puis, la perte de charge CCE a été calculée en fonction de la profondeur zO à l’aide de l’équation de Hecht :
[0138] [Math. 8]
[0139] CCE(z0) = fL Ekp ftp
Figure imgf000021_0001
Figure imgf000021_0002
[0140] où, pexe=1 ,14.10-3cm2.V-1 , phxh=3,36.10-4cm2.V-1 , L= 2 mm et V0=600 V. [0141 ] L’énergie ECCE à la profondeur d’interaction zO a été calculée par
[0142] [Math. 9]
CCE(z0)
[0143] E CCE = Ef.
maxz(CCE(z))'
[0144] Il aurait aussi été possible de calculer la perte de charge en 3D dans le détecteur et pas seulement en 1 D pour obtenir un modèle plus fidèle de la réponse du détecteur qui n’est cependant pas indispensable pour l’apprentissage du réseau de neurones.
[0145] L’erreur liée au bruit électronique a été prise en compte en tirant l’énergie finale enregistrée dans une gaussienne centrée sur ECCE avec un écart-type s=enn rms où rms=50 e-correspond au nombre d’électrons rms dus au bruit électronique.
[0146] Pour créer les listes de mélanges d’espèces atomiques, entre 10 et 10 millions de photons ont été tirés dans chaque liste d’événements de chaque radioélément simulé individuellement, tirage effectué avec remise, ce qui signifie que la même énergie peut être tirée plusieurs fois. Le dé-étalonnage a été effectué en prenant ogain=0,0055 et ooffset=0,5 keV. De cette façon, 200.000 mélanges synthétiques ont été réalisés.
[0147] Les spectres synthétiques ont été obtenus en faisant un histogramme composé de 2000 canaux de 0,5 keV de largeur sur une dynamique en énergie de 0 à 1 MeV.
[0148] Les réseaux de neurones utilisés pour l’identification et la détermination des proportions sont tels que décrits plus haut en référence à la [Fig. 2]
[0149] La [Fig. 4] montre un spectre (représenté à l’échelle logarithmique) obtenu en exposant le spectro-imageur à un mélange comprenant du 57Co et du 137Cs. On remarque que le nombre de photons détectés est relativement faible, de l’ordre de quelques milliers.
[0150] La [Fig. 5] illustre les valeurs de sortie de plusieurs réseaux de neurones d’identification, correspondant à ces nucléides mais également à d’autres qui ne sont pas présents dans la scène (241 Am, 133Ba, 152Eu, 22Na). Plus précisément, comme chaque réseau de neurones est appliqué 100 fois en éteignant aléatoirement 50% des neurones à chaque répétition, l’on obtient une distribution statistique des sorties. Les barres verticales représentent les médianes, les boîtes d’erreur correspondent aux premier et troisième quartile et les barres d’erreur aux premier et neuvième décile.
[0151 ] Le seuil de détection est fixé à 0,5 sur la médiane, ce qui est naturel si on considère que la sortie d’un réseau d’identification représente la probabilité de présence de l’espèce émettrice correspondante. On remarque que la dispersion statistique des sorties est négligeable pour les radionucléides effectivement présents et, pour les autres, suffisamment faible pour ne créer aucun risque de faux positif.
[0152] La [Fig. 6] illustre la distribution statistique (médiane et barre d’erreur correspondant au premier et neuvième décile) des proportions de 57Co et du 137Cs (plus précisément, de leurs contributions au nombre total de photons détectés), obtenue en appliquant 100 fois les réseaux de neurones de proportion
correspondants, en éteignant à chaque fois 50% des neurones.
[0153] Les figures 7A à 7F illustrent l’avantage procuré par l’utilisation de réseaux de neurones présentant deux sorties complémentaires avec une fonction d’activation de type softmax. Sur ces figures, les courbes en trait continu représentent le taux de bonnes réponses (1 : absence d’erreurs d’identification) dans le cas d’une fonction d’activation softmax en fonction du nombre de photons détectés, tandis que la courbe en ligne hachurée correspond à des neurones de sortie uniques, avec une fonction d’activation sigmoïde (la fonction softmax ne peut pas être utilisée avec un seul neurone de sortie, elle renverrait toujours 1 ). Chaque point de ces graphiques correspond au taux moyen de bonnes réponses sur 2500 mélanges de sources. Les différents graphiques correspondent à différents radionucléides : 241 Am ([Fig. 7A]), 133Ba ([Fig. 7B]), 22Na ([Fig. 3C]), 152Eu ([Fig. 7D]); 137Cs ([Fig. 7E]), 57Co ([Fig. 7F]).
[0154] Les résultats montrent que les performances des réseaux à 1 neurone de sortie sont équivalentes à celles des réseaux à 2 neurones de sortie dans le cas des sources de 241 Am et 152Eu. Dans le cas des sources de 57Co et 22Na, les performances relatives dépendent du nombre de photons, et dans le cas du 22Na, les performances du réseau à 1 neurone de sortie dépassent de très peu celles du réseau à 2 neurones de sortie. Enfin, dans les cas du 133Ba et 137Cs, les réseaux de neurones à 2 sorties surpassent le réseau de neurones à 1 seule sortie.
[0155] De manière générale, au moins dans la configuration testée, il apparaît préférable d’utiliser un réseau de neurones à 2 sorties.
[0156] Dans tous les cas, on remarque que le taux de bonnes réponses est proche de ou supérieur à 0,9 dès que le nombre de photons atteint 103.
[0157] Un aspect important de l’invention est la séparation des étapes d’identification des espèces émettrices et de détermination de leurs proportions, qui sont mises en oeuvre par des ensembles distincts de réseaux de neurones.
[0158] Cela permet d’utiliser des prétraitements différents des spectres pour les deux opérations. Pour l’identification, on utilise de préférence une « normalisation logarithmique » qui permet de donner de l’importance même aux structures qui sont composées de peu de photons, ce qui est en particulier intéressant du fait que la probabilité d’interaction des photons dans le détecteur diminue fortement lorsque l’énergie des photons augmente. Pour le réseau d’évaluation des proportions, en revanche, l’invention utilise de préférence une normalisation linéaire (en norme 1 ) qui « ignore » les petites structures. Cela est avantageux car les proportions de chaque source dans le signal sont reliées linéairement à leur contribution dans le spectre. Expérimentalement, il a été constaté que l’utilisation d’une « normalisation logarithmique » pour l’évaluation des proportions ne donne pas de bons résultats.
[0159] Cela est illustré par les figures [Fig. 8A], [Fig. 8B] et [Fig. 8C].
[0160] Le spectre de la [Fig. 8A] a été analysé par la méthode de l’invention. La [Fig. 8B] montre que les réseaux d’identification permettent de confirmer de manière certaine la présence de 241 Am et de 57Co. Les réseaux d’évaluation des
proportions donnent cependant une proportion de 0,7 % pour le 57Co et de 99,3 % pour le 241 Am.
[0161 ] Si seules les proportions avaient été déterminées, comme dans certaines méthodes de l’art antérieur, il aurait été impossible de savoir si 57Co était réellement présent à l’état de trace, ou il était en réalité absent comme, par exemple, 133Ba, 137Cs et 22Na. L’utilisation de réseaux d’identification distincts des réseaux de proportion permet de déterminer sans ambiguïté que 57Co est réellement présent, bien qu’en faible proportion.
[0162] Le procédé et le dispositif de l’invention présentent plusieurs avantages par rapport à l’art antérieur.
[0163] L’utilisation d’un réseau de neurones distinct par source que l’on veut identifier permet de ne pas restreindre le nombre d’espèces atomiques que l’on est capable d’identifier. L’ajout de nouvelles sources, en outre, est possible en ajoutant de nouveaux réseaux sans changer l’architecture globale et en n’effectuant un réapprentissage que pour la partie perceptron. Il n’est en revanche pas nécessaire d’effectuer à nouveau l’apprentissage sur les couches convolutives.
[0164] En variante, il est possible d’associer un réseau de neurones à une pluralité d’espèces émettrices, par exemple une famille d’espèces présentant des spectres similaires. Dans ce cas, ce ne sont pas les espèces individuelles qui sont identifiées, mais des groupes ou familles d’espèces.
[0165] L’utilisation de réseaux de neurones de type convolutif confère une grande robustesse vis-à-vis des erreurs d’étalonnage (instabilité temporelle de la loi d’étalonnage, réponses instrumentales variables d’un détecteur spectrométrique à l’autre) ainsi qu’à des changements de configuration (présence de matériaux absorbants ou diffusants entre la ou les sources et le ou les détecteurs
spectrométriques) en prenant en compte ces problématiques dans la base de données. En outre, elle permet de traiter des cas de spectres à faible statistique de photons avec de bonnes performances (précision supérieure à 90 % avec des spectres contenant au moins 1000 photons issus du mélange de sources). Cette méthode ne se concentre pas sur des pics particuliers mais sur la structure générale des spectres (pics, structures Compton notamment).
[0166] L’approche bayésienne permet de quantifier une erreur sur la probabilité de présence de chaque source, ce qui informe l’utilisateur de la pertinence des résultats et donc sur le degré de confiance qu’il peut accorder à une analyse automatique.
[0167] En outre, aucun prétraitement « expert » n’est nécessaire, et l’étalonnage fin est réalisé de manière automatique. Le recours à des techniciens qualifiés est donc fortement réduit. [0168] Comme expliqué plus haut, la séparation des étapes d’identification et de détermination des proportions permet de déterminer de manière fiable si une espèce atomique est absente ou bien présente mais en faible proportion.
[0169] L’invention a été décrite en référence à un mode de réalisation particulier, mais de nombreuses variantes sont envisageables.
[0170] Par exemple, concernant la structure des réseaux de neurones, le nombre de couches convolutives et de type perceptron, les fonctions d’activation, la méthode de réduction des données, la taille des noyaux de convolution etc. sont données uniquement à titre d’exemple. Il n’est d’ailleurs pas nécessaire que tous les réseaux de neurones soient identiques.
[0171 ] D’autres techniques d’apprentissage supervisé peuvent être mises en oeuvre. Par ailleurs, le recours à des sources synthétiques pour l’apprentissage est avantageux, mais il est également possible d’utiliser - en remplacement ou en complément - des sources réelles.
[0172] D’autres opérations de transformation de données préalables à l’application des réseaux de neurones, et notamment d’autres techniques de normalisation, peuvent être utilisées.
[0173] Le recours à une extinction aléatoire des neurones n’est pas indispensable, si l’on ne souhaite pas disposer d’une information sur l’incertitude des mesures. Par ailleurs, lorsqu’elle est utilisée, l’extinction aléatoire ne doit pas nécessairement concerner l’intégralité des couches intermédiaires.
[0174] D’autres critères qu’un seuillage à 0,5 peuvent être utilisés pour déterminer si une espèce atomique est considérée comme étant présente ou absente, en particulier si l’on préfère minimiser le risque de faux positifs ou, inversement, de faux négatifs.
[0175] Chaque réseau de neurones peut présenter plus de deux sorties - par exemple une sortie indicative de la probabilité de présence d’une espèce émettrice, une sortie indicative de la probabilité de son absence et une sortie indicative d’une situation indéterminée. Avantageusement, ces sorties sont complémentaires (c’est- à-dire que leur somme prend une valeur fixe, typiquement 1 ). La fonction d’activation des sorties peut être de type Softmax, mais d’autres possibilités peuvent être envisagées par l’homme du métier.
[0176] Des données issues de plusieurs détecteurs spectrométriques distincts peuvent être combinées.
[0177] Références bibliographiques
[0178] (Lutter 2018) G. Lutter, M. Huit, G. Marissens, H. Stroh, F. Tzika « A gamma- ray spectrometry analysis software environment » Applied Radiation and Isotopes 134 (2018): 200-204.
[0179] (Vigneron 1995) V. Vigneron, J. Morel, M.-C. Lepy, J.-M. Martinez « Statistical modelling by neural networks in gamma-spectrometry » Conférence and
International Symposium on Radionuclide Metrology (1995).
[0180] (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).
[0181 ] (Medhat 2012) M. E. Medhat « Artificial intelligence methods applied for quantitative analysis of natural radioactive sources », Annals of Nuclear Energy 45 (2012).
[0182] (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 ).
[0183] (Bobin 2016) C. Bobin, O. Bichler, V. Lourenço, C.Thiam, M.Thévenin « Real- time radionuclide identification in g-emitter mixtures based on spiking neural network » Applied Radiation and Isotopes 109 (2016) 405-409 (2016).
[0184] (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).
[0185] (Abdel-Aal 1997) R.E. Abdel-Aal, M.N. Al-Haddad « Détermination of radioisotopes in gamma-ray spectroscopy using abductive machine learning »
Nuclear Instruments and Methods in Physics Research A 391 (1997). [0186] (Maier 2016) D. Maier, O. Limousin « Energy calibration via corrélation », Nuclear Instruments and Methods in Physics Research, Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, vol. 812, p. 43-49. (2016).
[0187] (Gai 2016) Y. Gai, Z. Ghahramani « Dropout as a Bayesian Approximation: Representing Model Uncertainty in Deep Learning », Proceedings of the 33 rd International Conférence on Machine Learning, New York, NY, USA, 2016. JMLR: W&CP volume 48.
[0188] (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.
[0189] (Aloysius 2017) N. Aloysius, M. Geetha « A Review on Deep Convolutional Neural Network » International Conférence on Communication and Signal
Processing, Avril 2017, Inde.
[0190] (loffe 2015) S. loffe, C. Szgedy Geetha « Batch Normalization: Accelerating Deep Network Training by Reducing Internai Covariate Shift » Proceedings of the 32nd International Conférence on Machine Learning, 2015, France.

Claims

Revendications
1. Procédé d’identification d’espèces émettrices (Si ...SN) de rayonnement X ou gamma dans une scène, le procédé comprenant les étapes suivantes :
a) acquérir, au moyen d’un détecteur spectrométrique (SPM), un spectre d’un rayonnement X ou gamma issu de la scène ;
b) appliquer au spectre acquis une première opération de transformation de données incluant au moins une normalisation ;
c) fournir le spectre transformé en entrée d’un premier ensemble
(CBNNJD) d’une pluralité de réseaux de neurones convolutifs, chaque réseau de neurones convolutif dudit premier ensemble étant associé à une espèce émettrice à identifier respective, ou à un groupe d’éspèces émettrices à identifier respectif, et ayant au moins une sortie; et
d) pour chaque réseau de neurones convolutif du premier ensemble, déterminer si l’espèce émettrice correspondante, ou le groupe d’espèces émettrices correspondant, est présent dans la scène en fonction de ladite ou desdites sorties.
les étapes a) à d) étant mises en oeuvre au moyen d’un circuit de traitement de signaux (CTS).
2. Procédé selon la revendication 1 dans lequel :
chaque réseau de neurones convolutif du premier ensemble comprend une couche d’entrée (CC1 ), une couche de sortie (CS) et au moins une couche intermédiaire (CC2, CC3, CP) , chaque couche intermédiaire comprenant une pluralité de neurones ;
l’étape c) est répétée une pluralité de fois en éteignant aléatoirement, à chaque fois, une fraction des neurones d’au moins une couche intermédiaire ; et
l’étape d) comprend, pour chaque réseau de neurones convolutif du premier ensemble, la détermination de la présence de l’espèce ou du groupe d’espèces émettrices correspondant dans la scène ainsi qu’un taux de confiance de ladite détermination à partir d’une analyse statistique des valeurs prises par ladite ou lesdites sorties lors des différentes répétitions de l’étape c).
3. Procédé selon l’une des revendications précédentes comprenant également les étapes suivantes, également mises en oeuvre au moyen d’un circuit de traitement de signaux (CTS) :
e) appliquer au spectre acquis une seconde opération transformation de données incluant au moins une normalisation ;
f) fournir le spectre transformé en entrée d’un second ensemble
(CBNN_PRO) d’une pluralité de réseaux de neurones convolutifs, chaque réseau de neurones convolutif dudit second ensemble :
étant associé à une espèce émettrice respective, ou à un groupe d’espèces émettrices respectif, ayant été déterminé comme étant présent dans la scène suite à l’étape d) ; et
ayant au moins une sortie ; et
g) pour chaque réseau de neurones convolutif du second ensemble, déterminer en fonction de ladite ou desdites sorties une proportion en signal de l’espèce ou des espèces émettrices correspondantes.
4. Procédé selon la revendication 3 dans lequel :
chaque réseau de neurones convolutif du second ensemble comprend une couche d’entrée (CC1 ), une couche de sortie (CS) et au moins une couche intermédiaire (CC2, CC3, CP) , chaque couche intermédiaire comprenant une pluralité de neurones ;
l’étape f) est répétée une pluralité de fois en éteignant aléatoirement, à chaque fois, une fraction des neurones d’au moins une couche intermédiaire ; et
l’étape g) comprend, pour chaque réseau de neurones convolutif du second ensemble, la détermination de la proportion en signal de l’espèce ou du groupe d’espèces émettrices correspondant ainsi qu’un taux de confiance de ladite détermination à partir d’une analyse statistique des valeurs prises par ladite ou lesdites sorties lors des différentes répétitions de l’étape f).
5. Procédé selon l’une des revendications précédentes dans lequel chaque
réseau de neurones convolutif est associé à une seule espèce émettrice respective.
6. Procédé selon l’une des revendications précédentes dans lequel l’étape b) préserve la dimensionnalité du spectre acquis.
7. Procédé selon la revendication 6 dans lequel l’étape b) comporte une transformation logarithmique du spectre acquis, suivi de sa normalisation.
8. Procédé selon l’une des revendications précédentes, comprenant également une étape préalable d’apprentissage supervisé des réseaux de neurones convolutifs utilisant des spectres de rayonnement X ou gamma simulés, correspondant à des mélanges de composition connue de plusieurs espèces émettrices.
9. Procédé selon la revendication 8 dans lequel chaque réseau de neurones convolutif comprend une couche d’entrée, une couche de sortie et au moins une couche intermédiaire, chaque couche intermédiaire comprenant une pluralité de neurones ; et ladite étape d’apprentissage supervisé est réalisée en éteignant aléatoirement une fraction des neurones d’au moins une couche intermédiaire.
10. Procédé selon l’une des revendications précédentes dans lequel l’étape a) d’acquisition d’un spectre d’un rayonnement X ou gamma issu de la scène comprend :
l’acquisition d’une série d’évènements, chaque évènement étant associé à une grandeur physique représentative d’une valeur d’énergie d’un photon X ou gamma détecté par ledit détecteur spectrométrique ; et
la conversion de ladite série d’évènements en un spectre d’énergie du rayonnement X ou gamma par application d’une fonction d’étalonnage dépendant d’un ensemble de paramètres d’étalonnage ;
le procédé comprenant également une étape h) de détermination de valeurs optimales desdits paramètres d’étalonnage par maximisation d’une fonction de corrélation entre ledit spectre et un spectre théorique calculé en fonction des espèces émettrices déterminées comme étant présentes dans la scène.
1 1. Procédé selon l’une des revendications précédentes dans lequel chaque réseau de neurones convolutif comprend une paire de neurones de sortie complémentaires (CS).
12. Procédé selon l’une des revendications précédentes dans lequel le spectre acquis s’étend, en tout ou en partie, dans une plage comprise entre 2 keV et 2 MeV.
13. Produit programme d’ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent celui-ci à mettre en oeuvre les étapes b) et suivantes d’un procédé selon l’une des revendications précédentes.
14. Dispositif d’identification d’espèces émettrices de rayonnement X ou gamma dans une scène, comprenant :
un circuit de traitement de signaux (CTS) générés par un détecteur spectrométrique, ledit circuit étant configuré ou programmé pour :
acquérir dudit détecteur une série d’évènements, chaque évènement étant associé à une grandeur physique représentative d’une valeur d’énergie d’un photon X ou gamma détecté par ledit détecteur spectrométrique ;
convertir ladite série d’évènements en un spectre d’énergie du rayonnement X ou gamma par application d’une fonction d’étalonnage dépendant d’un ensemble de paramètres d’étalonnage ;
appliquer au spectre d’énergie du rayonnement X ou gamma une première opération transformation de données incluant au moins une normalisation ;
fournir le spectre ainsi transformé en entrée d’un premier ensemble d’une pluralité de réseaux de neurones convolutifs, chaque réseau de neurones convolutif dudit premier ensemble étant associé à une espèce émettrice respective, ou à un groupe d’espèces émettrices respectif, et ayant au moins une sortie; et
pour chaque réseau de neurones convolutif du premier ensemble, déterminer si ll’espèce émettrice correspondante ou le groupe d’espèces émettrices correspondant est présent dans la scène en fonction de ladite ou desdites sorties.
15. Dispositif selon la revendication 14 dans lequel le circuit de traitement de signaux générés par le détecteur de rayonnement est également configuré ou programmé pour :
appliquer au spectre d’énergie du rayonnement X ou gamma une seconde opération transformation de données incluant au moins une normalisation ;
fournir le spectre ainsi transformé en entrée d’un second ensemble d’une pluralité de réseaux de neurones convolutifs, chaque réseau de neurones convolutif dudit second ensemble étant associé à une espèce émettrice respective, ou à un groupe d’espèces émettrices respectif, ayant été déterminé comme étant présente dans la scène et ayant au moins une sortie ; et
pour chaque réseau de neurones convolutif du second ensemble, déterminer en fonction de ladite sortie scalaire ou paire de sorties scalaires une proportion en signal de l’espèce ou du groupe d’espèces émettrices correspondant.
16. Dispositif selon l’une des revendications 14 et 15 dans lequel le circuit de traitement de signaux générés par le détecteur de rayonnement est également configuré ou programmé pour déterminer des valeurs optimales desdits paramètres d’étalonnage par maximisation d’une fonction de corrélation entre un spectre acquis et un spectre théorique calculé en fonction des espèces émettrices déterminées comme étant présentes dans la scène.
17. Dispositif selon l’une des revendications 14 à 16 dans lequel chaque réseau de neurones convolutif est associé à une seule espèce émettrice respective.
18. Dispositif selon l’une des revendications 14 à 17 dans lequel chaque réseau de neurones convolutif comprend une paire de neurones de sortie
complémentaires (CS).
19. Dispositif selon l’une des revendications 14 à 18 dans lequel les photons X ou gamma détectés présentent une énergie dans au moins une partie de la plage comprise entre 2 keV et 2 MeV.
20. Dispositif selon l’une des revendications 14 à 19 comprenant également ledit détecteur spectrométrique (SPM). ]
PCT/EP2020/064790 2019-05-28 2020-05-28 Procede et dispositif d'identification d'especes atomiques emettant un rayonnement x ou gamma WO2020239884A1 (fr)

Priority Applications (5)

Application Number Priority Date Filing Date Title
US17/614,276 US20220252744A1 (en) 2019-05-28 2020-05-28 Method and device for identifying atomic species emitting x- or gamma radiation
KR1020217042736A KR20220014329A (ko) 2019-05-28 2020-05-28 X- 또는 감마 방사선을 방출하는 원자 종을 식별하기 위한 방법 및 디바이스
CN202080045734.5A CN114008489A (zh) 2019-05-28 2020-05-28 用于识别发射x辐射或伽马辐射的原子物种的方法和设备
JP2021565764A JP2022533815A (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
EP20727669.2A EP3977175A1 (fr) 2019-05-28 2020-05-28 Procede et dispositif d'identification d'especes atomiques emettant un rayonnement x ou gamma

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FRFR1905682 2019-05-28
FR1905682A FR3096782B1 (fr) 2019-05-28 2019-05-28 : Procédé et dispositif d’identification d’espèces atomiques émettant un rayonnement X ou gamma

Publications (1)

Publication Number Publication Date
WO2020239884A1 true WO2020239884A1 (fr) 2020-12-03

Family

ID=69157899

Family Applications (1)

Application Number Title Priority Date Filing Date
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

Country Status (7)

Country Link
US (1) US20220252744A1 (fr)
EP (1) EP3977175A1 (fr)
JP (1) JP2022533815A (fr)
KR (1) KR20220014329A (fr)
CN (1) CN114008489A (fr)
FR (1) FR3096782B1 (fr)
WO (1) WO2020239884A1 (fr)

Cited By (2)

* 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
WO2024049537A1 (fr) * 2022-08-31 2024-03-07 Ohio State Innovation Foundation Procédé d'ia pour une analyse de spectres de rmn

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063741A (zh) 2018-07-05 2018-12-21 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
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109063741A (zh) 2018-07-05 2018-12-21 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

Non-Patent Citations (14)

* Cited by examiner, † Cited by third party
Title
C. BOBINO. BICHLERV. LOURENÇOC.THIAMM.THÉVENIN: "Real-time radionuclide identification in γ-emitter mixtures based on spiking neural network", APPLIED RADIATION AND ISOTOPES, vol. 109, 2016, pages 405 - 409, XP029435571, DOI: 10.1016/j.apradiso.2015.12.029
D. MAIERO. LIMOUSIN: "Energy calibration via correlation", NUCLEAR INSTRUMENTS AND METHODS IN PHYSICS RESEARCH, SECTION A: ACCELERATORS, SPECTROMETERS, DETECTORS AND ASSOCIATED EQUIPMENT, vol. 812, 2016, pages 43 - 49, XP029399033, DOI: 10.1016/j.nima.2015.11.149
E. YOSHIDAK. SHIZUMAS. ENDOT. OKA: "Application of neural networks for the analysis of gamma-ray spectra measured with a Ge spectrometer", NUCLEAR INSTRUMENTS AND METHODS IN PHYSICS RESEARCH, vol. A 484, 2002
G. LUTTERM. HUITG. MARISSENSH. STROHF. TZIKA: "A gamma-ray spectrometry analysis software environment", APPLIED RADIATION AND ISOTOPES, vol. 134, 2018, pages 200 - 204
HAGUE EMMA J ET AL: "A comparison of adaptive and template matching techniques for radio-isotope identification", SPIE - INTERNATIONAL SOCIETY FOR OPTICAL ENGINEERING. PROCEEDINGS, S P I E - INTERNATIONAL SOCIETY FOR OPTICAL ENGINEERING, US, vol. 10986, 14 May 2019 (2019-05-14), pages 1098608 - 1098608, XP060122394, ISSN: 0277-786X, ISBN: 978-1-5106-3377-3, DOI: 10.1117/12.2519062 *
M. E. MEDHAT: "Artificial intelligence methods applied for quantitative analysis of natural radioactive sources", ANNALS OF NUCLEAR ENERGY, vol. 45, 2012, XP028422275, DOI: 10.1016/j.anucene.2012.02.013
M. KAMUDAJ. STINNETTC. J. SULLIVA: "Automated Isotope Identification Algorithm Using Artificial Neural Network", IEEE TRANSACTIONS ON NUCLEAR SCIENCE, vol. 64, no. 7, 2017, XP011656319, DOI: 10.1109/TNS.2017.2693152
N. ALOYSIUSM. GEETHA: "A Review on Deep Convolutional Neural Network", INTERNATIONAL CONFÉRENCE ON COMMUNICATION AND SIGNAL PROCESSING, April 2017 (2017-04-01)
O. GEVIN ET AL.: "Nuclear Instruments and Methods in Physics Research Section A: Accelerators", vol. 695, 2012, SPECTROMETERS, DETECTORS AND ASSOCIATED EQUIPMENT, article "Imaging X-ray detector front-end with high dynamic range: IDeF-X HD", pages: 415 - 419
P. OLMOSJ. C. DIAZJ. M. PEREZP. GOMEZV. RODELLARP. AGUAYOA. BRUG. GARCIA-BELMONTEJ. L. DE PABLOS: "A New Approach to Automatic Radiation Spectrum Analysis", IEEE TRANSACTIONS ON NUCLEAR SCIENCE, vol. 38, no. 4, pages 1991
R.E. ABDEL-AALM.N. AI-HADDAD: "Détermination of radioisotopes in gamma-ray spectroscopy using abductive machine learning", NUCLEAR INSTRUMENTS AND METHODS IN PHYSICS RESEARCH, vol. A 391, 1997
S. LOFFEC. SZGEDY GEETHA: "Batch Normalization: Accelerating Deep Network Training by Reducing Internai Covariate Shift", PROCEEDINGS OF THE 32ND INTERNATIONAL CONFÉRENCE ON MACHINE LEARNING, 2015
V. VIGNERONJ. MORELM.-C. LEPYJ.-M. MARTINEZ: "Statistical modelling by neural networks in gamma-spectrometry", CONFÉRENCE AND INTERNATIONAL SYMPOSIUM ON RADIONUCLIDE METROLOGY, 1995
Y. GAIZ. GHAHRAMANI: "Dropout as a Bayesian Approximation: Representing Model Uncertainty in Deep Learning", PROCEEDINGS OF THE 33 RD INTERNATIONAL CONFÉRENCE ON MACHINE LEARNING, vol. 48, 2016

Cited By (2)

* 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
WO2024049537A1 (fr) * 2022-08-31 2024-03-07 Ohio State Innovation Foundation Procédé d'ia pour une analyse de spectres de rmn

Also Published As

Publication number Publication date
FR3096782A1 (fr) 2020-12-04
JP2022533815A (ja) 2022-07-26
EP3977175A1 (fr) 2022-04-06
US20220252744A1 (en) 2022-08-11
FR3096782B1 (fr) 2022-10-07
CN114008489A (zh) 2022-02-01
KR20220014329A (ko) 2022-02-04

Similar Documents

Publication Publication Date Title
WO2020239884A1 (fr) Procede et dispositif d'identification d'especes atomiques emettant un rayonnement x ou gamma
Ma et al. Photon-number-resolving megapixel image sensor at room temperature without avalanche gain
Starkey et al. Determining conversion gain and read noise using a photon-counting histogram method for deep sub-electron read noise image sensors
EP3274863A1 (fr) Procede et dispositif pour detecter des radioelements
Mishra-Sharma et al. Neural simulation-based inference approach for characterizing the Galactic Center γ-ray excess
US20230259768A1 (en) Machine-Learned Spectrum Analysis
Chen et al. Unsupervised phase retrieval using deep approximate mmse estimation
Lee et al. Spectral replacement using machine learning methods for continuous mapping of the Geostationary Environment Monitoring Spectrometer (GEMS)
EP2203752A1 (fr) Procede de determination de la sensibilite des composants electroniques vis a vis des particules
Bennett et al. Wafer-scale tao x device variability and implications for neuromorphic computing applications
EP2145208A2 (fr) Dispositif d'imagerie par rayons x à source poly-chromatique
Yousuf et al. Device Modeling Bias in ReRAM-based Neural Network Simulations
Hayman et al. Global estimation of range resolved thermodynamic profiles from micropulse differential absorption lidar
MacGahan et al. Linear models to perform treaty verification tasks for enhanced information security
WO2012123669A1 (fr) Procédé et dispositif de dosimétrie des doses ionisantes et non ionisantes de radiations
Iyer et al. Galaxy morphology from z∼ 6 through the lens of JWST
Medina Reconstruction of Xmax and Energy from 3--100 PeV using 5 Years of Data From IceTop and IceCube and its Applications
EP3391091B1 (fr) Procede et dispositif de detection et d'identification de corpuscules
Alyushin et al. Fractal Neuromorphic Pattern Recognition Architecture for Experimental Physics
WO2023126508A1 (fr) Procédé de traitement d'un spectre d'un rayonnement x ou gamma
Hachem Characterization of radioactivity signals by embedded machine learning
WO2023016929A1 (fr) Procédé de traitement bayésien d'un spectre
Bobin et al. Learning to unmix from Poisson measurements with application to γ-spectroscopy
Li et al. Simulation of ionizing radiation in cell phone camera image sensors
Morse et al. Detection Statistics

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20727669

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021565764

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 20217042736

Country of ref document: KR

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2020727669

Country of ref document: EP

Effective date: 20220103