🔬 physics

Computer vision-based neural networks for radioisotope identification in urban environments

이 논문은 도시 환경에서 방사성 동위원소 식별을 개선하기 위해 리스트 모드 감마선 데이터를 다채널 스펙트로그램으로 변환하여 신경망을 활용하는 컴퓨터 비전 기반 접근 방식을 제안하며, 합성곱 신경망이 RADAI 벤치마크의 낮은 오탐률에서 전통적인 비음수 행렬 분해 방법보다 우수한 성능을 보임을 입증한다.

원저자: Masen Bachleda, Peter Lalor

게시일 2026-07-02

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Masen Bachleda, Peter Lalor

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 밝은 빨간색 모자를 쓴 특정 인물을 찾기 위해 북적이고 시끄러운 도시 광장을 걷고 있다고 상상해 보십시오. 문제는 도시 광장에 빨간 모자를 쓴 다른 사람들이 너무 많다는 것입니다(배경 소음). 또한 당신이 찾는 사람은 아주 짧은 순간 동안만 모자를 보여준 뒤 군중 속으로 사라질 수도 있습니다. 이것은 과학자들이 감마선 검출기를 사용하여 도시에서 숨겨진 방사성 물질을 찾으려 할 때 직면하는 문제와 본질적으로 같습니다.

다음은 이 논문의 연구 내용을 쉽게 설명한 것입니다.

도전 과제: 건초더미에서 바늘 찾기

방사성 물질은 에너지를 방출하며, 검출기는 이를 에너지 레벨의 스펙트럼(그래프)으로 "볼" 수 있습니다. 하지만 도시에서는 지면, 건물, 콘크리트가 자연적으로 자체 방사선을 방출합니다. 이는 지속적이고 끊임없이 변화하는 "웅성거림(배경 소음)"을 만들어냅니다.

문제점: 전통적인 방식은 데이터에서 특정 "피크(정점)"를 찾으려고 합니다. 마치 구름 속에서 특정한 모양을 찾는 것과 같습니다. 하지만 움직이는 도시에서는 배경이 끊임없이 변하며, 방사성 물질은 단 몇 초 동안만 존재할 수도 있습니다. 이는 당신과 친구가 모두 달리고 있는 와중에 군중 속에서 친구를 찾는 것과 같으며, 그 와중에 군중은 계속 옷을 갈아입는 상황과 같습니다.
데이터: 연구진은 RADAI라고 불리는 거대한 컴퓨터 생성 데이터셋을 사용했습니다. 이 데이터셋은 가상의 도시를 주행하는 검출기를 시뮬레이션하여, 엄청난 양의 자연 배경 방사선 속에서 드물게 나타나는 방사성 물질을 마주하는 상황을 구현합니다.

새로운 아이디어: 소리를 영화로 바꾸기

저자들은 데이터를 단일 정적 그래프로 보는 대신, 이를 하나의 영화처럼 다루기로 결정했습니다.

폭포수(Waterfall): 그들은 원시 데이터를 시간의 흐름에 따라 쌓아 올려 "폭포수 스펙트로그램(waterfall spectrogram)"을 만들었습니다. 폭포수를 상상해 보십시오. 가로축은 에너지의 종류(예: 음표)이고 세로축은 시간입니다.
비유: 일반적인 사진을 생각해 보십시오. 컬러 사진은 전체 이미지를 만들기 위해 세 개의 레이어(빨강, 초록, 파랑)를 가집니다. 저자들은 이 "폭포수"를 유사하게 다루었습니다. 시간을 단순히 위로 쌓는 것이 아니라, 연속적인 시간의 순간들을 색상 채널로 취급했습니다.
- 당신의 눈이 빨강, 초록, 파랑을 결합하여 전체 이미지를 보는 것처럼, 컴퓨터는 이러한 "시간 슬라이스"를 결합하여 무엇이 에너지인지와 시간에 따라 어떻게 변하는지를 모두 포함하는 패턴을 봅니다.

테스트: 세 가지 서로 다른 "눈"

팀은 이 폭포수 영화를 보고 방사성 물질을 찾아내도록 세 가지 유형의 컴퓨터 비전 "눈"(신경망)을 훈련시켰습니다.

MLP (다층 퍼셉트론): 부분들이 서로 어떻게 연관되는지 이해하지 못한 채 전체 그림을 한 번에 보는 기본적인 두뇌입니다.
CNN (합성곱 신경망): 눈, 코, 입을 함께 보며 얼굴을 인식하듯, 국소적인 패턴(특정 모양이나 질감)을 찾는 정교한 눈입니다.
ViT (비전 트랜스포머): 전체 그림을 보고 멀리 떨어진 부분들이 서로 어떻게 연관되는지 이해할 수 있는 고도의 기술을 가진 눈입니다(예: 얼굴 왼쪽의 코와 오른쪽의 턱을 연결하는 것과 같습니다).

결과: 게임에서 누가 이겼나?

연구진은 이 "눈"들을 현재의 표준 방식인 NMF(비음수 행렬 분해)와 비교 테스트했습니다. NMF는 마치 사전에 작성된 목록과 완벽하게 일치할 때만 항목을 인식하는 매우 엄격한 사서와 같습니다.

규칙이 약간 완화되었을 때 (시간당 1개의 오탐 허용):
CNN이 승리했습니다. CNN은 사서(NMF)보다 방사성 물질을 더 잘 찾아냈습니다. 더 많은 소스를 발견했고 더 정확하게 식별했습니다.
- 이유: CNN은 사서의 경직된 목록이 놓친 미묘한 패턴과 시간적 변화를 학습했습니다. 이는 단순히 얼굴만 보는 것이 아니라 사람의 걸음걸이나 움직임을 포착하는 탐정과 같습니다.
규칙이 매우 엄격했을 때 (오탐을 거의 허용하지 않을 때):
**사서(NMF)**가 다시 승리했습니다. 시스템이 오탐을 피하기 위해 극도로 신중해야 할 때, 신경망들은 무언가를 놓치기 시작한 반면, 템플릿 기반 방식은 자리를 지켰습니다.
- 이유: 신경망은 복잡하고 숨겨진 패턴을 찾는 데 뛰어나지만, 정확도 기준이 지나치게 높게 설정되면 실제로는 존재하지 않는 것을 보고 "너무 흥분"하는 경향이 있습니다.

소스 유형별 분석

논문은 또한 어떤 종류의 방사성 물질이 발견되었는지도 살펴보았습니다.

산업용 소스 (예: 13⁷Cs): 이들은 매우 명확하고 뚜렷한 특징을 가집니다. 이 경우 "사서(NMF)"가 더 나았는데, 목록과 맞추기가 쉽기 때문입니다.
핵물질 및 자연 방사선 (NORM): 이것들은 도시의 자연 배경과 매우 유사해 보이기 때문에 찾기가 가장 어렵습니다. 여기서 CNN은 압도적인 성과를 보였는데, 사서보다 20배나 더 잘 찾아냈습니다. CNN은 인간이 설계한 목록이 잡아낼 수 없는 아주 미묘한 차이를 포착하는 법을 배웠습니다.

핵심 요약

이 논문은 방사선 데이터를 "영화"로 바꾸고 컴퓨터 비전 기술(특히 CNN)을 사용함으로써, 도시에서 숨겨진 방사성 물질을 찾는 더 나은 검출기를 구축할 수 있음을 보여줍니다.

장점: 이 새로운 AI 방식들은 배경 소음처럼 보이는 어렵고 숨겨진 소스를 찾는 데 훨씬 뛰어납니다.
단점: 실수가 전혀 없어야 하는 엄격한 규칙 아래에서는 여전히 다소 어려움을 겪습니다.
미래: 저자들은 최선의 해결책이 하이브리드 팀이 될 수 있다고 제안합니다. 즉, 찾기 쉬운 항목에는 "사서"를 사용하고, 까다롭고 숨겨진 항목에는 "AI 탐정"을 사용하는 것입니다.

결론적으로, AI가 아직 완벽하지는 않지만, 가장 도전적인 시나리오에서 이미 전통적인 방식들을 이기고 있으며, 방사선 데이터를 영화처럼 "관찰"하도록 컴퓨터를 가르치는 것이 강력한 새로운 전략임을 입증하고 있습니다.

기술 요약: 도시 환경 내 방사성 동위원소 식별을 위한 컴퓨터 비전 기반 신경망

문제 정의
이동형 도시 탐색 시나리오에서 방사성 동위원소를 식별하는 것은 자동 탐지 알고리즘에 있어 상당한 도전 과제를 안겨준다. 도시 환경은 건축 자재 및 토양에 존재하는 자연 방사성 물질(NORM)을 포함하여, 위치에 따라 달라지고 시간적으로 변하는 배경 방사선과 같은 비균질한 배경 특성을 가진다. 이러한 가변성은 일시적인 소스 조우(연속적인 측정 내에서의 짧은 이벤트) 및 심각한 클래스 불균형(배경 샘플이 희귀한 위협 신호보다 압도적으로 많은 경우)과 결합되어 위협 신호를 가린다. 전통적인 피크 기반 분석 방법은 이러한 역동적이고 단기적인 시나리오에서 어려움을 겪으며, 기존의 머신러닝 접근 방식은 분류를 누적된 스펙트럼에 대한 정적인 패턴 인식 문제로 취급하여 가치 있는 시간적 정보를 버리는 경점이 있다. 또한, 안전상의 제약과 그라운드 트루스(ground truth) 확보의 어려움으로 인해 대규모의 라벨링된 실제 데이터셋이 부족하여 강건한 알고리즘 개발이 저해된다.

방법론
이러한 문제를 해결하기 위해, 저자들은 로우 리스트 모드(list-mode) 감마선 데이터를 2차원 워터폴 스펙트로그램(waterfall spectrogram)으로 변환하고 이 이미지들에 컴퓨터 비전 아키텍처를 적용하는 머신러닝 프레임워크를 제안한다. 핵심 혁신은 데이터 표현 방식에 있다. 저자들은 워터폴을 일반적인 공간 이미지로 취급하는 대신, 연속적인 시간 스펙트럼이 컬러 이미지의 RGB 채널과 유사하게 입력 채널을 형성하는 표현 방식을 채택하였다. 이 설계는 스펙트럼 정보(에너지 축 방향)와 시간 정보(채널 간 방향)를 모두 인코딩하여, 신경망이 배경 변동으로부터 소스 신호를 구별하는 패턴을 학습할 수 있게 한다.

본 방법론은 고충실도 몬테카를로 시뮬레이션을 통해 이동형 탐지 시나리오를 상세히 구현한 대규모 합성 데이터셋인 RADAI(Radiological Anomaly Detection and Identification) 벤치마크 데이터셋을 활용한다. 전처리 파이로라인은 다음과 같다:

워터폴 생성: 비선형(제곱근) 에너지 빈닝(binning) 방식을 사용하여 광자 이벤트를 1D 감마 스펙트럼으로 범주화한다. 이 스펙트럼들은 수직으로 쌓여 2D 워터폴을 형성하며, 여기서 수직 축은 시간의 흐름을, 수평 축은 스펙트럼 에너지를 나타낸다.
슬라이딩 윈도우: 슬라이딩 윈도우 방식을 사용하여 중첩이 심한 샘플을 생성함으로써, 유효 훈련 세트 크기를 늘리고 워터폴 내 다양한 시간적 위치에서의 소스 조우를 포착한다.
아키텍처: 세 가지 컴퓨터 비전 아키텍처를 평가한다:
- 다층 퍼셉트론(MLP): 학습된 특징 관계만으로 충분한지 테스트하기 위해 워터폴을 평탄화(flattening)한다.
- 합성곱 신경망(CNN): 에너지 축을 따라 1D 합성곱을 수행하며, 시간 윈도우를 입력 채널로 취급하여 일관된 스펙트럼 패턴(예: 포토피크 형상)을 시간에 걸쳐 학습한다.
- 비전 트랜스포머(ViT): 셀프 어텐션(self-attention) 메커니즘을 적응시켜 멀리 떨어진 스펙트럼 특징 간의 장거리 상관관계를 포착한다.
훈련 및 최적화: 클래스 불균형을 해결하기 위해 Focal Loss를 사용하여 모델을 훈련한다. 주요 최적화 지표는 특정 오탐율(FPR) 목표(예: 시간당 1회 미만의 오탐)에 의해 제약되는 진실 식별율(TIDR)이다. 예측을 통합하고 최종 제출물을 생성하기 위해 2단계 후처리 파이프라인(시간적 클러스터링 및 FPR 제약 조건이 있는 임계값 선택)이 사용된다.

주요 기여

새로운 데이터 표현: 워터폴 스펙트로그램을 위한 채널 기반 표현법을 도입하여, 신경 가능하다. 이를 통해 신경망이 컬러 이미지의 채널과 유사하게 시간적 시퀀스를 입력 채널로 처리할 수 있게 하였다.
벤치마크 평가: RADAI 벤치마크에서 세 가지 서로 다른 신경망 아키텍처(MLP, CNN, ViT)를 엄격하게 평가하여, 최첨단 방식인 비음수 행렬 분해(NMF) 베이스라인과의 비교 분석을 제공한다.
성능 분석: 산업용, 의료용, NORM 및 핵물질 등 다양한 소스 카테고리에 따른 성능을 상세히 분석하여, 학습된 표현 방식과 템플릿 기반 방식의 구체적인 강점과 약점을 밝힌다.

결과
연구는 세 가지 FPR 제약 수준에서 모델을 평가하였다. 시간당 1회 미만의 오탐(FPR < 1) 제약 조건에서:

CNN은 모든 글로벌 지표에서 베이스라인인 NMF 방식을 능가하였으며, 진실 탐지율(TDR) 0.4334, 진실 분류율(TCR) 0.3965, 진실 식별율(TIDR) 0.2950을 달 기록하였다. 이에 비해 NMF는 각각 0.4151, 0.3611, 0.2625를 기록하였다.
CNN은 특히 까다로운 탐지 시나리오에서 강점을 보였다. NORM 소스(배경과 매우 유사함)의 경우, CNN은 0.0965의 TDR을 달성하여 NMF의 0.0044와 비교해 20배 이상의 개선을 보였다. 핵물질의 경우, CNN은 0.3124의 TIDR을 달성하여 NMF의 0.2118보다 높은 성능을 보였다.
그러나, 더 낮은 FPR 제약(예: FPR < 0.25 및 FPR < 0.125)에서는 베이스라인인 NMF 방식이 더 우수한 성능을 보여, 오탐을 최소화해야 하는 상황에서는 템플릿 기반 접근 방식이 여전히 더 견고함을 시사한다.
뚜렷한 포토피크( $^{137}$ Cs 및 $^{60}$ Co 등)를 가진 산업용 소스의 경우, NMF가 가장 높은 식별율을 유지하였는데, 이는 신경망이 명확한 스펙트럼 신호를 가진 소스에 대해 불필요한 복잡성을 학습하고 있을 수 있음을 나타낸다.

의의 및 주장
본 논문은 워터폴 스펙트로그램에 컴퓨터 비전 아키텍처를 사용하는 머신러닝 방식이, 특히 적절한 오탐율이 허용되는 이동형 도시 탐색 시나리오에서 전통적인 템플릿 기반 방식(NMF 등)과 경쟁할 수 있으며 이를 능가할 수 있다고 주장한다. 결과는 학습된 합성곱 특징이 고정된 템플릿이 놓칠 수 있는 미묘한 스펙트럼 패턴과 시간적 역동성을 포착할 수 있음을 입증하며, 이는 NORM 및 핵물질과 같은 까다로운 소스를 탐지하는 데 있어 상당한 이점을 제공한다.

그러나 저자들은 한계점에 대해 신중한 태도를 유지한다. 그들은 더 엄격한 오탐 제약 조건 하에서는 현재 신경망이 NMF에 비해 성능이 떨어진다는 점을 인정한다. 본 논문은 최적의 전략이 운영 맥락에 따라 달라질 수 있음을 시사하며, 뚜렷한 신호에는 템플릿 기반 방식이, 미묘하고 복잡한 패턴에는 학습된 방식이 유리하다는 점을 보여준다. 저자들은 두 패러다임의 상호 보완적인 강점을 활용하기 위해 향-연구로서 하이브리드 접근 방식, 앙상블 방법 또는 2단계 탐지/분류 파이프라인을 탐구할 것을 제안한다.