Pour répondre à ces enjeux, un algorithme de démélange spectral hybride (machine learning et statistique), appelé SEMSUN, a été développé en utilisant un auto-encodeur interpolatoire (IAE) permettant l’apprentissage des déformations spectrales induites par des phénomènes d’atténuation et de diffusion Compton dans l’environnement d’une source. L’auto-encodeur est un réseau de neurones ayant la propriété d’extraire les caractéristiques d’un spectre dans une représentation compressée (encodeur) ; il peut être utilisé comme modèle génératif pour reconstruire les spectres à partir des caractéristiques apprises (décodeur). La technique du démélange spectral repose sur un modèle de mélange de signatures spectrales propres à chaque radionucléide présent. Le code SEMSUN utilise le modèle IAE pour imposer une contrainte sur la déformation de ces signatures spectrales dans la résolution d’un problème inverse.
Comparée à un état de l’art basé sur l’apprentissage de bout en bout, cette approche hybride permet d’optimiser l’identification et la quantification des radionucléides en intégrant explicitement les caractéristiques physiques d’une mesure.
Pour établir la preuve de concept, l’entraînement du modèle IAE s’appuie sur des simulations des interactions rayonnement-matière avec le code Geant4, dans une configuration géométrique où une source ponctuelle est placée au centre d’une sphère (acier, plomb), avec un détecteur NaI(Tl) de 3″×3″ (voir figure 1). Les résultats de la reconstruction des spectres montrent que le modèle IAE capturent efficacement la déformation spectrale [1].
Pour l’identification automatique des radionucléides, l’algorithme MoSeVa [2] a été développé en combinant le code SEMSUN avec une technique de sélection de modèle basée sur un test du rapport de vraisemblance. La présence d’un radionucléide est déterminée à l’aide d’un critère de parcimonie appliqué aux différentes signatures spectrales regroupées dans une librairie. Les tests ont été effectués sur différents mélanges (jusqu’à 4 radionucléides dans une librairie de 12 signatures spectrales) avec le mouvement propre. Différents comptages dans les spectres ont également été étudiés (jusqu’à un comptage minimum de 2500 évènements ; voir figure 2).
Une comparaison a été réalisée entre le démélange spectral hybride et un état de l’art basé sur l’apprentissage de bout en bout avec des réseaux de neurones convolutifs utilisés comme classifieur ou pour des applications de régression. Les résultats confirment que le démélange spectral hybride offre de meilleures performances à faible statistique en termes d’identification et de robustesse, avec le taux de fausses alarmes attendu. Le démélange spectral hybride permet également d’obtenir une quantification plus précise au-delà des faibles statistiques [3]. Le benchmark GammaBench (incluant des spectres, des métriques d’évaluation, etc.) offre la possibilité de comparer les performances de nouveaux développements avec le démélange spectral hybride.
Le démélange spectral hybride offre une solution adaptée à la problématique de la mesure in situ à faible statistique sensible aux variabilités spectrales.
C’est le gain réalisé grâce au démélange spectral hybride sur la quantification face aux approches end-to-end.