ApplyApplying Deep Learning in gamma-spectroscopy for radionuclide identificationng Deep-learning in gamma-spectroscopy for radionuclide identification

André Gomes Lamas Otero; Ademar José Potiens Júnior; Julio Takehiro Marumo

doi:10.15392/2319-0612.2025.2945

Autores

André Gomes Lamas Otero IPEN - Instituto de Pesquisas Energéticas e Nucleares , Instituto de Pesquisas Energéticas e Nucleares https://orcid.org/0000-0002-7712-164X (não autenticado)
Ademar José Potiens Júnior Instituto de Pesquisas Energéticas e Nucleares https://orcid.org/0000-0002-4098-0272 (não autenticado)
Julio Takehiro Marumo Instituto de Pesquisas Energéticas e Nucleares https://orcid.org/0000-0003-3010-9691 (não autenticado)

DOI:

https://doi.org/10.15392/2319-0612.2025.2945

Palavras-chave:

Redes Neurais Profundas, Identificação de Radionuclídeos, Identificação Automatizada de Isótopos, Espectrometria Gama, Transferência de Aprendizado, Simulações de Monte Carlo

Resumo

Este estudo apresenta os resultados do uso de um modelo de Rede Neural Convolucional Profunda na classificação do espectro gama para gerenciamento de resíduos radioativos. A abordagem usa uma versão modificada da arquitetura VGG-19, desenvolvida originalmente para reconhecimento de imagens com 1000 classes mutuamente exclusivas. A arquitetura VGG-19 modificada usa um espectro gama como entrada e classifica, de forma não exclusiva, dez classes que representam os dez radionuclídeos mais comuns no Departamento de Gerenciamento de Resíduos Radioativos do IPEN (Am-241, Ba-133, Cd-109, Co-57, Co-60, Cs-137, Eu-152, Mn-54, Na-22, Pb-210). Os espectros gama foram gerados por meio de simulações de Monte Carlo criadas com o PENELOPE/PenEasy, simulando um detector HPGe com fontes dentro de um tambor de aço preenchido com papel, representando o conteúdo comum dos tambores gerenciados pelo Departamento de Gerenciamento de Resíduos Radioativos do IPEN. O conjunto de dados foi aumentado pela mistura dessas simulações em novos espectros contendo até quatro radionuclídeos. Várias distâncias do detector ao tambor (41 cm, 46 cm, 51 cm e 56 cm) foram usadas para criar um conjunto de dados representativo. Os dados de 56 cm (originalmente 150 espectros após o processo de argumentação, 375 espectros) foram usados para validação. Após 250 épocas de treinamento, o modelo obteve desempenho consistente no conjunto de treinamento, demonstrando a eficiência do método.

Downloads

Os dados de download ainda não estão disponíveis.

Referências

[1] LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, Nature Publishing Group, v. 521, n. 7553, p. 436, 2015. DOI: https://doi.org/10.1038/nature14539

[2] SIMONYAN, K.; ZISSERMAN, A. Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556, 2014.

[3] HE, K. et al. Mask r-cnn. In: Proceedings of the IEEE international conference on computer vision. [S.l.: s.n.], 2017. p. 2961–2969.

[4] KALCHBRENNER, N. et al. Neural machine translation in linear time. arXiv preprint arXiv:1610.10099, 2016.

[5] GRAVES, A.; JAITLY, N. Towards end-to-end speech recognition with recurrent neural networks. In: International conference on machine learning. [S.l.: s.n.], 2014. p. 1764–1772.

[6] CHIU, C. et al. State-of-the-art speech recognition with sequence-to-sequence models. CoRR, abs/1712.01769, 2017. Disponível em: <http://arxiv.org/abs/1712.01769>.

[7] SUN, C. et al. Revisiting unreasonable effectiveness of data in deep learning era. In: The IEEE International Conference on Computer Vision (ICCV). [S.l.: s.n.], 2017. DOI: https://doi.org/10.1109/ICCV.2017.97

[8] PAN, S. J.; YANG, Q. A survey on transfer learning. IEEE Transactions on knowledge and data engineering, IEEE, v. 22, n. 10, p. 1345–1359, 2009. DOI: https://doi.org/10.1109/TKDE.2009.191

[9] KELLER, P. E. et al. Nuclear spectral analysis via artificial neural networks for waste handling. IEEE transactions on nuclear science, IEEE, v. 42, n. 4, p. 709–715, 1995. DOI: https://doi.org/10.1109/23.467888

[10] YOSHIDA, E. et al. Application of neural networks for the analysis of gamma-ray spectra measured with a Ge spectrometer. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, 2002. ISSN 01689002. DOI: https://doi.org/10.1016/S0168-9002(01)01962-3

[11] CHEN, L.; WEI, Y.-X. Nuclide identification algorithm based on k–l transform and neural networks. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, v. 598, n. 2, p. 450 – 453, 2009. ISSN 0168-9002. DOI: https://doi.org/10.1016/j.nima.2008.09.035

[12] KAMUDA, M.; SULLIVAN, C. J. An automated isotope identification and quantification algorithm for isotope mixtures in low-resolution gamma-ray spectra. Radiation Physics and Chemistry, Elsevier, v. 155, p. 281–286, 2019. DOI: https://doi.org/10.1016/j.radphyschem.2018.06.017

[13] Metropolis, N., & Ulam, S. (1949). The Monte Carlo method. Journal of the American Statistical Association, 44(247), 335-341. DOI: https://doi.org/10.1080/01621459.1949.10483310

[14] SEMPAU, J. Peneasy, a structured main program from penelope. Freely available from http://www. upc. es/inte/downloads/penEasy. htm, v. 2006, p. 06–01, 2006.

[15] Householder, Alston S. (June 1941). "A theory of steady-state activity in nerve-fiber networks: I. Definitions and preliminary lemmas". The Bulletin of Mathematical Biophysics. 3 (2): 63–69. doi:10.1007/BF02478220. ISSN 0007-4985. DOI: https://doi.org/10.1007/BF02478220

[16] Bridle, John S. (1990a). Soulié F.F.; Hérault J. (eds.). Probabilistic Interpretation of Feedforward Classification Network Outputs, with Relationships to Statistical Pattern Recognition. Neurocomputing: Algorithms, Architectures and Applications (1989). NATO ASI Series (Series F: Computer and Systems Sciences). 68. Berlin, Heidelberg: Springer. pp. 227–236. doi:10.1007/978-3-642-76153-9_28. DOI: https://doi.org/10.1007/978-3-642-76153-9_28

[17] Soti, Z., Magill, J., & Dreher, R. (2019). Karlsruhe Nuclide Chart – New 10th edition 2018. EPJ Nuclear Sciences & Technologies, 10(1), doi:10.1051/epjn/2024009. DOI: https://doi.org/10.1051/epjn/2019004

[18] CHOLLET, F. et al. Keras. 2015. <https://keras.io>.

[19] ABADI, M. et al. TensorFlow: Large-Scale Machine Learning on Heterogeneous Systems. 2015. Software available from tensorflow.org. Disponível em: <https://www.tensorflow.org/>.

[20] NICKOLLS, J. et al. Scalable parallel programming with cuda. Queue, ACM, New York, NY, USA, v. 6, n. 2, p. 40–53, mar. 2008. ISSN 1542-7730. DOI: https://doi.org/10.1145/1365490.1365500

[21] CHETLUR, S. et al. cudnn: Efficient primitives for deep learning. arXiv preprint arXiv:1410.0759, 2014.

[22] GARCÍA-TORAÑO, E.; PEYRES, V.; SALVAT, F. Pennuc: Monte carlo simulation of the decay of radionuclides. Computer Physics Communications, Elsevier, v. 245, p.106849, 2019. DOI: https://doi.org/10.1016/j.cpc.2019.08.002

[23] KINGMA, D. P.; BA, J. Adam: A method for stochastic optimization. In: BENGIO, Y.; LECUN, Y. (Ed.). 3rd International Conference on Learning Representations, ICLR 2015, San Diego, CA, USA, May 7-9, 2015, Conference Track Proceedings. [s.n.], 2015. Disponível em: <http://arxiv.org/abs/1412.6980>.

[24] FAWCETT, T. An introduction to ROC analysis. Pattern Recognition Letters, North-Holland, v. 27, n. 8, p. 861–874, jun 2006. ISSN 01678655. DOI: https://doi.org/10.1016/j.patrec.2005.10.010

[25] ANSI. American National Standard Performance Criteria for Hand-Held Instruments for the Detection and Identification of Radionuclides. [S.l.], 2007.