🔬 physics

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

Dit artikel stelt een op computer vision gebaseerde aanpak voor die list-mode gammastralingsgegevens omzet in multichannelspectrogrammen om neurale netwerken te benutten voor verbeterde radio-isotoopidentificatie in stedelijke omgevingen, waarbij wordt aangetoond dat een convolutioneel neuraal netwerk traditionele non-negatieve matrixfactorisatiemethoden overtreft bij lage fout-positief ratio's op de RADAI-benchmark.

Oorspronkelijke auteurs: Masen Bachleda, Peter Lalor

Gepubliceerd 2026-07-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Masen Bachleda, Peter Lalor

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je door een druk, lawaaierig stadsplein loopt om een specifiek persoon te vinden met een felrode hoed. Het probleem is dat het stadsplein vol staat met andere mensen met rode hoeden (achtergrondruis) en de persoon naar wie je zoekt, zijn hoed misschien slechts een fractie van een seconde laat zien voordat hij in de menigte verdwijnt. Dit is in essentie wat wetenschappers ervaren bij het proberen te vinden van verborgen radioactieve materialen in een stad met gammastralingsdetectoren.

Hier is een uiteenzetting van het werk uit het artikel, eenvoudig uitgelegd:

De Uitdaging: Een speld in een hooiberg zoeken

Radioactieve materialen zenden energie uit die detectoren kunnen "zien" als een spectrum (een grafiek van energieniveaus). In een stad zendt de grond, gebouwen en beton echter van nature hun eigen straling uit. Dit creënd een constante, verschuivende "brom" van achtergrondruis.

Het Probleem: Traditionele methoden zoeken naar specifieke "pieken" in de data, zoals het zoeken naar een specifieke vorm in een wolk. Maar in een bewegende stad verandert de achtergrond constant, en de radioactieve bron is misschien slechts enkele seconden aanwezig. Het is alsof je een vriend in een menigte probeert te spotten terwijl jullie beiden rennen, en de menigte voortdurend van kleding wisselt.
De Data: De onderzoekers gebruikten een enorme, computergegenereerde dataset genaamd RADAI. Deze simuleert een detector die urenlang door een virtuele stad rijdt en zeldzame radioactieve bronnen tegenkomt te midden van een zee van natuurlijke achtergrondstraling.

Het Nieuwe Idee: Geluid veranderen in een film

In plaats van de data te beschouwen als een enkele statische grafiek, besloten de auteurs het te behandelen als een film.

De Waterval: Ze namen de ruwe data en stapelden deze op over de tijd om een "waterval-spectrogram" te creëren. Stel je een waterval voor waarbij de horizontale as de type energie is (zoals muzikale noten) en de verticale as de tijd is.
De Analogie: Denk aan een standaardfoto. Een kleurenfoto heeft drie lagen (Rood, Groen, Blauw) om een volledig beeld te creëren. De auteurs behandelden hun "waterval" op een vergelijkbare manier. In plaats van de tijd bovenop elkaar te stapelen als aparte rijen, behandelden ze opeenvolgende momenten in de tijd als kleurkanalen.
- Net zoals jouw ogen Rood, Groen en Blauw combineren om een volledig beeld te zien, combineert de computer deze "tijdsegmenten" om een patroon te zien dat zowel bevat wat de energie is als hoe deze in de loop van de tijd verandert.

De Test: Drie verschillende "ogen"

Het team trainde drie verschillende soorten computer vision "ogen" (neurale netwerken) om naar deze waterval-films te kijken en de radioactieve bronnen te spotten:

De MLP (Multilayer Perceptron): Een basisbrein dat naar het hele plaatje tegelijk kijkt zonder te begrijpen hoe onderdelen met elkaar samenhangen.
De CNN (Convolutional Neural Network): Een geavanceerd oog dat zoekt naar lokale patronen, zoals het herkennen van een specifieke vorm of textuur, vergelijkbaar met hoe wij een gezicht herkennen door naar ogen en een mond te kijken.
De ViT (Vision Transformer): Een hoogtechnologisch oog dat naar het hele plaatje kan kijken en begrijpt hoe verre delen met elkaar samenhangen (zoals het verbinden van een neus aan de linkerkant van een gezicht met een kin aan de rechterkant).

De Resultaten: Wie won het spel?

De onderzoekers testten deze "ogen" tegen de huidige gouden standaard, een methode genaamd NMF (Non-Negative Matrix Factorization), wat lijkt op een zeer strikte bibliothecaris die alleen items herkent als ze perfect overeenkomen met een vooraf geschreven lijst.

Wanneer de regels iets versoepeld werden (toestaan van 1 vals alarm per uur):
De CNN won. Het was beter in het spotten van de radioactieve bronnen dan de bibliothecaris (NMF). Het vond meer bronnen en identificeerde ze nauwkeuriger.
- Waarom? De CNN leerde subtiele patronen en veranderingen in de tijd te herkennen die de rigide lijst van de bibliothecaris miste. Het was als een detective die een persoon herkent aan de loop of de manier van bewegen, en niet alleen aan het gezicht.
Wanneer de regels zeer streng waren (toestaan van zeer weinig valse alarmen):
De Bibliothecaris (NMF) won opnieuw. Wanneer het systeem gedwongen werd extreem voorzichtig te zijn om valse alarmen te vermijden, begonnen de neurale netwerken dingen te missen, terwijl de op sjablonen gebaseerde methode standhield.
- Waarom? De neurale netwerken zijn geweldig in het vinden van complexe, verborgen patronen, maar ze worden soms "te enthousiast" en zien dingen die er niet zijn wanneer de lat voor nauwkeurigheid extreem hoog wordt gelegd.

De Uitslag per Brontype

Het artikel keek ook naar welk soort radioactief materiaal er gevonden werd:

Industriële bronnen (zoals $^{137}\text{Cs}$ ): Deze hebben zeer duidelijke, onderscheidende handtekeningen. De "Bibliothecaris" (NMF) was hier eigenlijk beter omdat ze gemakkelijk aan een lijst te koppelen zijn.
Nucleaire materialen & Natuurlijke Achtergrond (NORM): Dit is het moeilijkst te vinden omdat ze erg lijken op de natuurlijke achtergrond van de stad. Hier was de CNN een enorme verbetering; het vond deze bronnen 20 keer beter dan de Bibliothecaris. Het leerde de kleine, subtiele verschillen te herkennen die door menselijk ontworpen lijsten niet te vangen waren.

De Kern van het Verhaal

Dit artikel laat zien dat door de radiatiedata te transformeren naar "films" en computer vision technieken (specifiek CNN's) te gebruiken, we betere detectoren kunnen bouwen voor het vinden van verborgen radioactieve materialen in steden.

Het Goede: Deze nieuwe AI-methoden zijn veel beter in het vinden van moeilijke, moeilijk te spotten bronnen die lijken op achtergrondruis.
Het Nadeel: Ze worstelen nog steeds een beetje wanneer de regels nul fouten eisen.
De Toekomst: De auteurs suggereren dat de beste oplossing een hybride team zou kunnen zijn: de "Bibliothecaris" voor gemakkelijk te spotten items en de "AI-Detective" voor de lastige, verborgen zaken.

Het artikel concludeert dat hoewel AI nog niet perfect is, het al nu de traditionele methoden verslaat in de meest uitdagende scenario's, wat bewijst dat het leren van computers om radiatiedata als een film te "bekijken" een krachtige nieuwe strategie is.

Technische Samenvatting: Computer Vision-gebaseerde Neurale Netwerken voor Radio-isotopenidentificatie in Stedelijke Omgevingen

Probleemstelling
De identificatie van radio-isotopen in mobiele stedelijke zoekscenario's vormt aanzienlijke uitdagingen voor geautomatiseerde detectiealgoritmen. Stedelijke omgevingen worden gekenmerkt door niet-uniforme achtergronden, waaronder natuurlijk voorkomende radioactieve materialen (NORM) in bouwmaterialen en bodem, die een locatieafhankelijke en tijdsafhankelijke variabele achtergrondstraling creëren. Deze variabiliteit, gecombineerd met de vluchtige aard van bronontmoetingen (korte gebeurtenissen binnen continue metingen) en extreme klasse-onbalans (waarbij achtergrondmonsters de zeldzame dreigingshandtekeningen veruit overtreffen), maskeert de dreigingshandtekeningen. Traditionele piekgebaseerde analysemethoden hebben moeite met deze dynamische scenario's met korte duur, terwijl bestaande machine learning-benaderingen classificatie vaak behandelen als een statisch patroonherkenningsprobleem op geaccumuleerde spectra, waarbij waardevolle temporele informatie verloren gaat. Bov�elijk wordt de ontwikkeling van robuuste algoritmen gehinderd door het gebrek aan grote, gelabelde datasets uit de echte wereld vanwege veiligheidsbeperkingen en de moeilijkheid van het verkrijgen van de grondwaarheid (ground truth).

Methodologie
Om deze uitdagingen aan te pakken, stellen de auteurs een machine learning-framework voor dat ruwe list-mode gamma-straalgegevens omzet in tweedimensionale waterval-spectrogrammen en computer vision-architecturen toepast op deze afbeeldingen. De kerninnovatie ligt in de datarepresentatie: in plaats van de waterval als een conventionele ruimtelijke afbeelding te behandelen, gebruiken de auteurs een representatie waarbij opeenvolgende tijdspectra de inputkanalen vormen, analoog aan RGB-kanalen in kleurenafbeeldingen. Dit ontwerp codeert zowel spectrale informatie (langs de energie-as) als temporele informatie (over de kanalen heen), waardoor neurale netwerken patronen kunnen leren die bronhandtekeningen onderscheiden van achtergrondfluctuaties.

De methodologie maakt gebruik van de Radiological Anomaly Detection and Identification (RADAI) benchmark-dataset, een grootschalige synthetische dataset met hoogwaardige Monte Carlo-simulaties van mobiele detectiescenario's met gedetailleerde ground-truth labels. De preprocessing-pipeline omvat:

Watervalgeneratie: Het binden van foton-gebeurtenissen in 1D gamma-spectra met behulp van een niet-lineaire (wortelgetal) energie-binning-methode. Deze spectra worden verticaal gestapeld om 2D-watervallen te vormen, waarbij de verticale as de tijdprogressie vertegenwoordigt en de horizontale as de spectrale energie.
Sliding Window: Een sliding window-benadering wordt gebruikt om zwaar overlappende monsters te genereren, wat de effectieve omvang van de trainingsset vergroot en bronontmoetingen op verschillende temporele posities binnen de waterval vastlegt.
Architecturen: Drie computer vision-architecturen worden geëvalueerd:
- Multilayer Perceptron (MLP): Vlakt de waterval af om te testen of geleerde kenmerkrelaties alleen voldoende zijn.
- Convolutional Neural Network (CNN): Gebruikt 1D-convoluties langs de energie-as en behandelt tijdsvensters als inputkanalen om consistente spectrale patronen (bijv. fotopeak-vormen) over de tijd heen te leren.
- Vision Transformer (ViT): Past self-attention-mechanismen aan om langetermijncorrelaties tussen verre spectrale kenmerken te vangen.
Training en Optimalisatie: Modellen worden getraind met Focal Loss om klasse-onbalans aan te pakken. De primaire optimalisatiemetriek is de True Identification Rate (TIDR), beperkt door False Positive Rate (FPR) doelstellingen (bijv. < 1 vals alarm per uur). Een tweestaps post-processing pipeline (temporele clustering en FPR-beperkte drempelwaarde selectie) wordt gebruikt om voorspellingen te consolideren en definitieve inzendingen te genereren.

Belangrijkste Bijdragen

Nieuwe Datarepresentatie: De introductie van een kanaal-gebaseerde representatie voor waterval-spectrogrammen, waardoor neurale netwerken temporele sequenties kunnen verwerken als inputkanalen, vergelijkbaar met kleurkanalen in afbeeldingen.
Benchmark Evaluatie: Een rigoureuze evaluatie van drie verschillende neurale netwerkarchitecturen (MLP, CNN, ViT) op de RADAI-benchmark, wat een vergelijkende analyse biedt tegenover de state-of-the-art Non-Negative Matrix Factorization (NMF) baseline.
Prestatieanalyse: Gedetailleerde uitsplitsing van prestaties over verschillende broncategorieën (Industrieel, Medisch, NORM en Nucleair Materiaal), waarbij de specifieke sterktes en zwaktes van geleerde representaties versus template-gebaseerde methoden worden belicht.

Resultaten
De studie evalueerde de modellen bij drie FPR-beperkingsniveaus. Bij de beperking van minder dan één vals alarm per uur (FPR < 1):

De CNN presteerde beter dan de baseline NMF-methode over alle globale metrieken, met een True Detection Rate (TDR) van 0,4334, een True Classification Rate (TCR) van 0,3965 en een True Identification Rate (TIDR) van 0,2950. Ter vergelijking behaalde NMF respectievelijk 0,4151, 0,3611 en 0,2625.
De CNN toonde bijzondere kracht in uitdagende detectiescenario's. Voor NORM-bronnen (die sterk lijken op de achtergrond) behaalde de CNN een TDR van 0,0965 vergeleken met 0,0044 voor NMF (een verbetering van >20 keer). Voor Nucleair Materiaal behaalde de CNN een TIDR van 0,3124 vergeleken met 0,2118 voor NMF.
Echter, bij lagere FPR-beperkingen (bijv. FPR < 0,25 en FPR < 0,125), vertoonde de baseline NMF-methode superieure prestaties, wat suggereert dat template-gebaseerde benaderingen robuuster blijven wanneer valse alarmen geminimaliseerd moeten worden.
Voor Industriële bronnen (met kenmerkende fotopeaks zoals $^{137}$ Cs en $^{60}$ Co) behield NMF de hoogste identificatiesnelheden, wat aangeeft dat neurale netwerken mogelijk onnodige complexiteit leren voor bronnen met eenduidige spectrale handtekeningen.

Betekenis en Claims
Het artikel beweert dat machine learning-methoden, specifiek die welke gebruikmaken van computer vision-architecturen op waterval-spectrogrammen, concurrerend zijn met en kunnen presteren boven traditionele template-gebaseerde benaderingen (zoals NMF) in mobiele stedelijke zoekscenario's, met name wanneer gematigde foutenpercentages acceptabel zijn. De resultaten laten zien dat geleerde convolutionele kenmerken subtiele spectrale patronen en temporele dynamiek kunnen vangen die vaste templates missen, wat aanzienlijke voordelen biedt voor het detecteren van uitdagende bronnen zoals NORM en nucleair materiaal.

De auteurs behouden echter een bescheiden toon met betrekking tot de beperkingen. Zij erkennen dat bij striktere false positive beperkingen, neurale netwerken momenteel onderpresteren ten opzichte van NMF. Het artikel suggereert dat de optimale strategie afhangt van de operationele context, waarbij template-gebaseerde methoden uitblinken voor onderscheidende handtekeningen en geleerde methoden voor subtiele, complexe patronen. De auteurs stellen voor dat toekomstig werk zich moet richten op hybride benaderingen, ensemble-methoden of twee-staps detectie/classificatie-pipelines om de complementaire sterktes van beide paradigma's te benutten.