Gamma-ray spectral deconvolution using an unsupervised deep learning model for radioisotope identification with CsI(Tl) spectrometer for field use

CsI(Tl)スペクトロメーターを用いた放射性核種判定のための教師なし深層学習モデルによるガンマ線スペクトルデコンボリューション

木村 祥紀  ; 山口 知輝 

Kimura, Yoshiki; Yamaguchi, Tomoki

ガンマ線スペクトル分析による放射性核種判定(RIID)は幅広い分野で利用されており、正確な放射性同位元素の同定は様々な分野で重要な課題となっている。ラボラトリ外の現場におけるRIIDにはハンドヘルド機器が一般的に使用されているが、その性能が限定的であることに課題がある。本稿では、現場使用を想定したハンドヘルド機器によるRIIDのための、教師なしニューラルネットワークモデルを用いたスペクトルデコンボリューション手法を提案する。本手法では、測定されたスペクトルとエネルギーゆらぎ行列(energy-broadening matrix)に基づいたデコンボリューションのためのニューラルネットワークの最適化が可能であり、大規模な訓練データセットや検出器・測定条件の正確なモデリングを必要としない。CsI(Tl)スペクトロメータを用いた放射性同位元素の測定を想定し、シミュレーションと実測スペクトルの両方で提案手法の性能を調べた。その結果として、教師なしニューラルネットワークモデルは従来のデコンボリューションアルゴリズムと比較してもピーク分解能を大幅に向上させることができ、本手法が低エネルギー分解能スペクトルにおけるRIID性能に寄与することを実証した。

Radioisotope identification (RIID) by gamma-ray spectral analysis has been widely used, and accurate identification of radioisotopes is an important issue in various fields. Handheld instruments are commonly used for on-site RIID but often suffer from limited performance. This paper proposes a spectral deconvolution using unsupervised neural network models for RIID with handheld instruments in field use. This approach allows optimization of the neural network for deconvolution based on a measured spectrum combined with an energy-broadening matrix, and it does not require extensive training datasets or the precise modeling of the detector and measurement conditions. The performance of the proposed approach was examined in simulated and measured spectra, assuming the measurements of several radioisotopes with CsI(Tl) spectrometers. It was demonstrated that the unsupervised neural network models can improve the peak resolution more significantly compared to conventional deconvolution algorithms and contribute to RIID performance in the low energy resolution spectra.