特許 7602474 信号処理方法、学習モデル生成方法、信号処理装置、放射線検出装置及びコンピュータプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-12-10

(45)【発行日】2024-12-18

(54)【発明の名称】信号処理方法、学習モデル生成方法、信号処理装置、放射線検出装置及びコンピュータプログラム

(51)【国際特許分類】

   G01T 1/17 20060101AFI20241211BHJP

   G01N 23/2252 20180101ALI20241211BHJP

【ＦＩ】

G01T1/17 A

G01T1/17 F

G01T1/17 H

G01N23/2252

【請求項の数】 11

(21)【出願番号】P 2021552358

(86)(22)【出願日】2020-10-08

(86)【国際出願番号】 JP2020038107

(87)【国際公開番号】W WO2021075345

(87)【国際公開日】2021-04-22

【審査請求日】2023-08-01

(31)【優先権主張番号】P 2019191446

(32)【優先日】2019-10-18

(33)【優先権主張国・地域又は機関】JP

(73)【特許権者】

【識別番号】000155023

【氏名又は名称】株式会社堀場製作所

(74)【代理人】

【識別番号】100114557

【弁理士】

【氏名又は名称】河野 英仁

(74)【代理人】

【識別番号】100078868

【弁理士】

【氏名又は名称】河野 登夫

(72)【発明者】

【氏名】村田 駿介

【審査官】大門 清

(56)【参考文献】

【文献】特開平１０－２２１４５５（ＪＰ，Ａ）

【文献】欧州特許出願公開第０３５４６９２６（ＥＰ，Ａ１）

【文献】特開２００９－２２９１２７（ＪＰ，Ａ）

【文献】特開平０８－０２９５３８（ＪＰ，Ａ）

【文献】特開２００７－０５７３５６（ＪＰ，Ａ）

【文献】特表２０１１－５０８２０１（ＪＰ，Ａ）

【文献】米国特許第１０４２２８９６（ＵＳ，Ｂ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０１Ｔ １／１７

Ｇ０１Ｎ ２３／２２５２

(57)【特許請求の範囲】

【請求項1】

放射線の検出に応じた階段波又は前記階段波を変換したパルス波を、波高別にカウントする信号処理方法において、
前記階段波を含む信号を構成する信号値の列と、前記パルス波を含む信号を構成する信号値の列との少なくとも一方を入力した場合に複数の前記パルス波の重なりの有無に関する情報を出力する学習モデルへ、前記階段波を含む信号を構成する信号値の列と前記パルス波を含む信号を構成する信号値の列との少なくとも一方を入力し、
前記学習モデルが出力する前記情報に応じて、複数の前記パルス波の重なりが無い場合の前記階段波又は前記パルス波をカウントすること
を特徴とする信号処理方法。

【請求項2】

前記学習モデルが出力する前記情報に応じて、複数の前記パルス波が重なる場合の前記階段波又は前記パルス波をカウントしないこと
を特徴とする請求項１に記載の信号処理方法。

【請求項3】

前記学習モデルは、前記パルス波を整形した波を含む信号を構成する信号値の列を更に入力した場合に前記情報を出力する学習モデルであり、
前記信号を構成する信号値の列を更に前記学習モデルへ入力すること
を特徴とする請求項１又は２に記載の信号処理方法。

【請求項4】

前記学習モデルは、前記階段波及び前記パルス波の少なくとも一方の特徴量を更に入力した場合に前記情報を出力する学習モデルであり、
前記特徴量を前記学習モデルへ入力すること
を特徴とする請求項１乃至３のいずれか一つに記載の信号処理方法。

【請求項5】

前記情報は、複数の前記パルス波の重なりの有無を示す情報、重なっている前記パルス波の数の確率、又は信号に含まれる階段波の数の確率を含むこと
を特徴とする請求項１乃至４のいずれか一つに記載の信号処理方法。

【請求項6】

夫々に単一のパルス波からなり、前記単一のパルス波の波高、立ち上がり及びなまりの少なくともいずれか一つがランダムである複数のパルス波信号を生成し、
夫々に複数のパルス波が重なった重畳波からなり、前記複数のパルス波の間隔、波高、立ち上がり及びなまりの少なくともいずれか一つがランダムである複数の重畳波信号を生成し、
前記複数のパルス波信号及び前記複数の重畳波信号を教師データとして、任意のパルス波を含む信号を構成する信号値の列を入力した場合に複数のパルス波の重なりの有無に関する情報を出力する学習モデルを生成すること
を特徴とする学習モデル生成方法。

【請求項7】

夫々に単一の階段波からなり、前記単一の階段波の波高、立ち上がり及びなまりの少なくともいずれか一つがランダムである複数の階段波信号を生成し、
夫々に複数の階段波からなり、前記複数の階段波を変換した複数のパルス波が重なることになり、前記複数の階段波の間隔、波高、立ち上がり及びなまりの少なくともいずれか一つがランダムである複数の近接階段波信号を生成し、
前記複数の階段波信号及び前記近接階段波信号を教師データとして、任意の階段波を含む信号を構成する信号値の列を入力した場合に前記複数の階段波を変換した複数のパルス波の重なりの有無に関する情報を出力する学習モデルを生成すること
を特徴とする学習モデル生成方法。

【請求項8】

放射線の検出に応じた階段波をパルス波へ変換し、前記パルス波の波高別に、前記パルス波をカウントする信号処理方法において、
前記パルス波を含む信号を構成する信号値の列と所定の係数列との積和演算を行い、
前記所定の係数列は、重なった複数の前記パルス波を含む信号を構成する信号値の列及び前記所定の係数列の間の積和演算の結果と、単一の前記パルス波を含む信号を構成する信号値の列及び前記所定の係数列の間の積和演算の結果とが、所定の値に対して大であるか小であるかについて異なるように、予め定められており、
前記積和演算の結果に応じて、複数の前記パルス波の重なりがあるか否かを判定し、
重なっていない前記パルス波をカウントすること
を特徴とする信号処理方法。

【請求項9】

放射線の検出に応じた階段波を含む信号を処理する信号処理装置において、
前記階段波を含む信号を構成する信号値の列と、前記階段波を変換したパルス波を含む信号を構成する信号値の列との少なくとも一方を入力した場合に、複数の前記パルス波の重なりの有無に関する情報を出力する学習モデルを備えること
を特徴とする信号処理装置。

【請求項10】

放射線検出時に放射線のエネルギーに応じた階段波を出力する放射線検出器と、
前記階段波をパルス波へ変換する変換部と、
前記階段波を含む信号を構成する信号値の列及び前記階段波を変換したパルス波を含む信号を構成する信号値の列の少なくとも一方を入力した場合に、複数の前記パルス波の重なりの有無に関する情報を出力する学習モデルと、
前記学習モデルが出力する前記情報に応じて、複数の前記パルス波の重なりが無い場合の前記階段波又は前記パルス波をカウントするカウント部と、
前記階段波又は前記パルス波の波高、及びカウント数に応じて、放射線のスペクトルを生成するスペクトル生成部と
を備えることを特徴とする放射線検出装置。

【請求項11】

放射線の検出に応じた階段波を含む信号を構成する信号値の列と前記階段波を変換したパルス波を含む信号を構成する信号値の列との少なくとも一方を入力した場合に複数の前記パルス波の重なりの有無に関する情報を出力する学習モデルへ、前記階段波を含む信号を構成する信号値の列及び前記パルス波を含む信号を構成する信号値の列の少なくとも一方を入力して、前記情報を出力する
処理をコンピュータに実行させることを特徴とするコンピュータプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、放射線の検出によって発生する信号を処理するための信号処理方法、学習モデル生成方法、信号処理装置、放射線検出装置及びコンピュータプログラムに関する。

【背景技術】

【0002】

Ｘ線等の放射線を検出する放射線検出装置は、放射線検出器と、放射線検出器が出力する信号を処理する信号処理装置とを備えている。放射線検出器は、半導体放射線検出素子等を用いて構成されており、放射線が検出される都度、階段波を出力する。信号処理装置は、階段波をパルス波へ変換し、パルス波の波高を測定する。パルス波の波高は放射線のエネルギーに対応する。

【0003】

放射線が検出される間隔が短い場合、複数のパルス波が重なり、パルス波の波高が変化する所謂パイルアップが発生することがある。このとき、誤った放射線のエネルギーが測定され、放射線のスペクトルには、誤ったエネルギーを有するピーク、所謂サムピークが発生する。そこで、信号処理装置は、パルス波の重なりを検出し、重なったパルス波の波高の測定を行わないことにより、サムピークの発生を抑制する。従来、パルス波の重なりを検出する方法には、いくつかの方法がある。例えば、波高の閾値を用いてパルス波を検出し、複数のパルス波の検出間隔が短い場合に、パルス波の重なりが発生したと判定する。また、パルス波の底辺の長さ又はパルス波の立ち上がり速度等の信号波形の特徴量に基づいて、パルス波の重なりが発生したか否かを判定する方法がある。特許文献１には、パルス波の微分波形が負の値から正の値へ変化する場合に、パルス波の重なりが発生したと判定する技術が開示されている。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２００９－２２９１２７号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

従来の何れの方法であっても、パルス波の重なりを検出できないことがある。パルス波の検出間隔に基づく方法では、検出間隔が非常に短い場合に、信号処理装置は、複数のパルス波の重なりを検出できないことがある。底辺の長さ等の信号波形の特徴量に基づく方法は、特徴量のみに着目するため、ノイズに弱いという問題がある。また、パルス波を検出するための閾値を低くした場合は、波高の高い複数のパルス波の重なりを検出できず、閾値を高くした場合は、波高の低いパルス波を検出できない。放射線のスペクトルに基づいて元素分析を行う際には、複数のパルス波の重なりを検出できない場合に、サムピークが発生し、存在しない元素を誤検出する虞がある。波高の低いパルス波を検出できない場合は、軽元素等、放射線のエネルギーの低い元素の検出が困難となる。

【0006】

本発明は、斯かる事情に鑑みてなされたものであって、その目的とするところは、放射線のスペクトルに基づいた元素分析の精度を向上させることができる信号処理方法、学習モデル生成方法、信号処理装置、放射線検出装置及びコンピュータプログラムを提供することにある。

【課題を解決するための手段】

【0007】

本発明に係る信号処理方法は、放射線の検出に応じた階段波又は前記階段波を変換したパルス波を、波高別にカウントする信号処理方法において、前記階段波を含む信号を構成する信号値の列と、前記パルス波を含む信号を構成する信号値の列との少なくとも一方を入力した場合に複数の前記パルス波の重なりの有無に関する情報を出力する学習モデルへ、前記階段波を含む信号を構成する信号値の列と前記パルス波を含む信号を構成する信号値の列との少なくとも一方を入力し、前記学習モデルが出力する前記情報に応じて、複数の前記パルス波の重なりが無い場合の前記階段波又は前記パルス波をカウントすることを特徴とする。

【0008】

本発明の一形態においては、学習モデルを利用して、パルス波の重なりを検出する。学習モデルは、パルス波を含む信号を構成する信号値の列及び／又は階段波を含む信号を構成する信号値の列を入力された場合に、複数のパルス波の重なりの有無に関する情報を出力する。学習モデルを用いることにより、複数のパルス波の重なりを効果的に検出することができる。

【0009】

本発明に係る信号処理方法は、前記学習モデルが出力する前記情報に応じて、複数の前記パルス波が重なる場合の前記階段波又は前記パルス波をカウントしないことを特徴とする。

【0010】

本発明の一形態においては、複数のパルス波が重なる場合は、放射線の検出に応じたカウントを行わない。パルス波の重なりに起因して放射線のエネルギーを誤って測定することを防止することができる。

【0011】

本発明に係る信号処理方法は、前記学習モデルは、前記パルス波を整形した波を含む信号を構成する信号値の列を更に入力した場合に前記情報を出力する学習モデルであり、前記信号を構成する信号値の列を更に前記学習モデルへ入力することを特徴とする。

【0012】

本発明の一形態においては、パルス波を含む信号及び／又は階段波を含む信号に加えて、パルス波を整形した波を含む信号を構成する信号値の列を、学習モデルへ入力する。微分フィルタ等のフィルタによってパルス波を整形した波の形状は、複数のパルス波の有無に応じて異なる。このため、パルス波を整形した波を利用することにより、複数のパルス波の重なりをより効果的に検出することができる。

【0013】

本発明に係る信号処理方法は、前記学習モデルは、前記階段波及び前記パルス波の少なくとも一方の特徴量を更に入力した場合に前記情報を出力する学習モデルであり、前記特徴量を前記学習モデルへ入力することを特徴とする。

【0014】

本発明の一形態においては、波高又は時間幅等の信号波形の特徴量を更に学習モデルへ入力する。信号波形の特徴量は、複数のパルス波の有無に応じて異なるので、信号波形の特徴量を用いることにより、複数のパルス波の重なりをより効果的に検出することができる。

【0015】

本発明に係る学習モデル生成方法は、夫々に単一のパルス波からなり、前記単一のパルス波の波高、立ち上がり及びなまりの少なくともいずれか一つがランダムである複数のパルス波信号を生成し、夫々に複数のパルス波が重なった重畳波からなり、前記複数のパルス波の間隔、波高、立ち上がり及びなまりの少なくともいずれか一つがランダムである複数の重畳波信号を生成し、前記複数のパルス波信号及び前記複数の重畳波信号を教師データとして、任意のパルス波を含む信号を構成する信号値の列を入力した場合に複数のパルス波の重なりの有無に関する情報を出力する学習モデルを生成することを特徴とする。

【0016】

本発明の一形態においては、夫々に単一のパルス波からなる複数のパルス波信号と、夫々に複数のパルス波が重なった重畳波からなる複数の重畳波信号とを、波高、立ち上がり及びなまりの少なくともいずれか一つがランダムになるようにシミュレーションにより生成する。生成した複数のパルス波信号及び複数の重畳波信号を教師データとして、学習モデルの学習を行う。パルス波の重なりの有無に関する情報を出力する学習モデルが生成できる。また、シミュレーションにおいてパルス波のなまりをランダムにすることにより、実際の信号に近い信号を生成することができる。

【0017】

本発明に係る学習モデル生成方法は、夫々に単一の階段波からなり、前記単一の階段波の波高、立ち上がり及びなまりの少なくともいずれか一つがランダムである複数の階段波信号を生成し、夫々に複数の階段波からなり、前記複数の階段波を変換した複数のパルス波が重なることになり、前記複数の階段波の間隔、波高、立ち上がり及びなまりの少なくともいずれか一つがランダムである複数の近接階段波信号を生成し、前記複数の階段波信号及び前記近接階段波信号を教師データとして、任意の階段波を含む信号を構成する信号値の列を入力した場合に前記複数の階段波を変換した複数のパルス波の重なりの有無に関する情報を出力する学習モデルを生成することを特徴とする。

【0018】

本発明の一形態においては、夫々に単一の階段波からなる複数の階段波信号と、複数の近接階段波信号とを、波高、立ち上がり及びなまりの少なくともいずれか一つがランダムになるようにシミュレーションにより生成する。生成した複数の階段波信号及び複数の近接階段波信号を教師データとして、学習モデルの学習を行う。階段波を変換したパルス波の重なりの有無に関する情報を出力する学習モデルが生成できる。

【0019】

本発明に係る信号処理方法は、放射線の検出に応じた階段波をパルス波へ変換し、前記パルス波の波高別に、前記パルス波をカウントする信号処理方法において、前記パルス波を含む信号を構成する信号値の列と所定の係数列との積和演算を行い、前記所定の係数列は、重なった複数の前記パルス波を含む信号を構成する信号値の列及び前記所定の係数列の間の積和演算の結果と、単一の前記パルス波を含む信号を構成する信号値の列及び前記所定の係数列の間の積和演算の結果とが、所定の値に対して大であるか小であるかについて異なるように、予め定められており、前記積和演算の結果に応じて、複数の前記パルス波の重なりがあるか否かを判定し、重なっていない前記パルス波をカウントすることを特徴とする。

【0020】

本発明の一形態においては、パルス波を含む信号を構成する信号値の列と所定の係数列との積和演算を行い、積和演算の結果に基づいて、パルス波の重なりを検出する。係数列は、単一のパルス波を含む信号を構成する信号値の列及び係数列の間の積和演算の結果と、重なった複数のパルス波を含む信号を構成する信号値の列及び係数列の間の積和演算の結果とが異なるように、定められている。この方法においても、複数のパルス波の重なりを効果的に検出することができる。

【0021】

本発明に係る信号処理装置は、放射線の検出に応じた階段波を含む信号を処理する信号処理装置において、前記階段波を含む信号を構成する信号値の列と、前記階段波を変換したパルス波を含む信号を構成する信号値の列との少なくとも一方を入力した場合に、複数の前記パルス波の重なりの有無に関する情報を出力する学習モデルを備えることを特徴とする。

【0022】

本発明に係る放射線検出装置は、放射線検出時に放射線のエネルギーに応じた階段波を出力する放射線検出器と、前記階段波をパルス波へ変換する変換部と、前記階段波を含む信号を構成する信号値の列及び前記階段波を変換したパルス波を含む信号を構成する信号値の列の少なくとも一方を入力した場合に、複数の前記パルス波の重なりの有無に関する情報を出力する学習モデルと、前記学習モデルが出力する前記情報に応じて、複数の前記パルス波の重なりが無い場合の前記階段波又は前記パルス波をカウントするカウント部と、前記階段波又は前記パルス波の波高、及びカウント数に応じて、放射線のスペクトルを生成するスペクトル生成部とを備えることを特徴とする。

【0023】

本発明に係るコンピュータプログラムは、放射線の検出に応じた階段波を含む信号を構成する信号値の列と前記階段波を変換したパルス波を含む信号を構成する信号値の列との少なくとも一方を入力した場合に複数の前記パルス波の重なりの有無に関する情報を出力する学習モデルへ、前記階段波を含む信号を構成する信号値の列及び前記パルス波を含む信号を構成する信号値の列の少なくとも一方を入力して、前記情報を出力する処理をコンピュータに実行させることを特徴とする。

【0024】

本発明の一形態においては、信号処理装置は、学習モデルを利用して、パルス波の重なりを検出する。学習モデルは、パルス波を含む信号を構成する信号値の列及び／又は階段波を含む信号を構成する信号値の列を入力された場合に、複数のパルス波の重なりの有無に関する情報を出力する。放射線検出装置は、複数のパルス波の重なりが無い場合の階段波又はパルス波をカウントし、放射線のスペクトルを生成する。信号処理装置は、複数のパルス波の重なりを効果的に検出することができ、放射線検出装置は、スペクトルに基づいた元素分析の精度を向上させることができる。

【発明の効果】

【0025】

本発明にあっては、パルス波の重なりを効果的に検出し、元素分析の精度を向上させることができる等、優れた効果を奏する。

【図面の簡単な説明】

【0026】

【図1】実施形態１に係る放射線検出装置の機能構成を示すブロック図である。

【図2A】階段波及びパルス波の例を示す模式的特性図である。

【図2B】階段波及びパルス波の例を示す模式的特性図である。

【図3A】放射線の検出される間隔が短い場合の階段波及びパルス波の例を示す模式的特性図である。

【図3B】放射線の検出される間隔が短い場合の階段波及びパルス波の例を示す模式的特性図である。

【図4】処理部へ入力される信号の例を模式的に示すグラフである。

【図5】実施形態１に係る学習モデルの機能構成例を示す概念図である。

【図6】学習モデルの学習を行う学習装置の構成例を示すブロック図である。

【図7】学習モデルを生成する処理の手順を示すフローチャートである。

【図8】実施形態１に係る信号処理装置が実行する処理の手順を示すフローチャートである。

【図9】複数の方法で得られた放射線のスペクトルを示すスペクトル図である。

【図10】実施形態２に係る放射線検出装置の機能構成を示すブロック図である。

【図11】実施形態３に係る放射線検出装置の機能構成を示すブロック図である。

【図12】実施形態３に係る学習モデルの機能構成例を示す概念図である。

【図13】実施形態３に係る信号処理装置が実行する処理の手順を示すフローチャートである。

【図14】実施形態４に係る放射線検出装置の機能構成を示すブロック図である。

【図15】実施形態４に係る学習モデルの機能構成例を示す概念図である。

【図16】実施形態４に係る信号処理装置が実行する処理の手順を示すフローチャートである。

【図17】実施形態５に係る処理部の機能構成を示すブロック図である。

【図18】実施形態６に係る放射線検出装置の機能構成を示すブロック図である。

【図19】係数列の例を示すグラフである。

【図20】係数列の例を示すグラフである。

【図21】実施形態６に係る信号処理装置が実行する処理の手順を示すフローチャートである。

【発明を実施するための形態】

【0027】

以下本発明をその実施の形態を示す図面に基づき具体的に説明する。
＜実施形態１＞
図１は、実施形態１に係る放射線検出装置１０の機能構成を示すブロック図である。放射線検出装置１０は、放射線検出器１と、信号処理装置２と、分析部３とを備えている。放射線検出器１は、放射線検出素子１１と、プリアンプ１２とを備えている。放射線検出素子１１は、ＳＤＤ（Silicon Drift Detector）等の半導体放射線検出素子であり、入射した放射線のエネルギーに応じた電荷を発生し、発生した電荷に応じた電流信号を出力する。プリアンプ１２は、放射線検出素子１１が出力した電流信号を電圧信号へ変換し、放射線検出時に一段のステップ状に信号値が上昇する階段波を生成する。放射線検出器１は、プリアンプ１２が生成した階段波を含む信号を出力する。

【0028】

放射線検出器１が出力した信号は、信号処理装置２へ入力される。信号処理装置２は、信号処理方法を実行する。信号処理装置２は、Ａ／Ｄ（アナログ／デジタル）変換部２１を備えている。Ａ／Ｄ変換部２１は、放射線検出器１から階段波を含む信号を入力され、階段波を含む信号をＡ／Ｄ変換する。Ａ／Ｄ変換部２１には波形整形部２２が接続されている。波形整形部２２は、Ａ／Ｄ変換部２１から階段波を含む信号を入力される。波形整形部２２は、階段波を含む信号を所定のフィルタに通して、信号の波形を整形することにより、階段波を含む信号をパルス波を含む信号へ変換する。波形整形部２２が用いるフィルタは、例えば微分フィルタ又は台形整形フィルタである。波形整形部２２での処理により、階段波がパルス波へ変換され、信号に含まれるノイズが低減され、所定の増幅が行われる。波形整形部２２はパルス波を含む信号を出力する。波形整形部２２は変換部に対応する。

【0029】

図２Ａ及び図２Ｂは、階段波及びパルス波の例を示す模式的特性図である。図中の横軸は時間を示し、縦軸は信号値を示している。図２Ａは放射線検出器１が出力する階段波を含む信号を示している。放射線検出器１は、放射線を検出する都度、一段のステップ状に信号値が上昇する階段波を出力する。一回の放射線検出に応じて、信号値が一段のステップ状に上昇する一つの階段波が生成される。放射線検出器１が放射線を複数回検出した場合、複数の階段波を含む信号が出力される。放射線が検出される都度、信号値は上昇していく。信号値が上昇するステップの高さを階段波の波高とする。階段波の波高は、放射線のエネルギーに対応する。実際には、階段波は完全なステップ状ではなく、信号波形に立ち上がり及びなまりが含まれている。立ち上がりは、信号値が基準値から立ち上がる際の信号波形の歪みであり、なまりは、階段波が終了する際の信号波形の歪みである。

【0030】

図２Ｂは、図２Ａに示す信号を波形整形部２２で変換した信号を示す。階段波は、パルス波へ変換される。パルス波は、信号値がゼロになる所定の信号基準から信号値がピーク値まで上昇し、その後信号基準まで下降する信号である。信号基準は例えばゼロである。信号基準からピーク値までの高さをパルス波の波高とする。パルス波の波高は放射線のエネルギーに対応する。パルス波の形には、立ち上がり及びなまりが含まれている。立ち上がりは、信号値が基準値から立ち上がる際の信号波形の歪みであり、なまりは、パルス波が終了する際の信号波形の歪みである。図２Ｂには、放射線検出器１が放射線を複数回検出した間隔が長く、複数のパルス波が重畳していない例を示している。

【0031】

図３Ａ及び図３Ｂは、放射線の検出される間隔が短い場合の階段波及びパルス波の例を示す模式的特性図である。図中の横軸は時間を示し、縦軸は信号値を示している。図３Ａは放射線検出器１が出力する階段波を含む信号を示している。図２Ａに示した例に比べて、放射線検出器１が放射線を複数回検出した間隔が短く、複数の階段波の間隔が短い。図３Ｂは、図３Ａに示す信号を波形整形部２２で変換した信号を示す。複数のパルス波の間隔が短く、複数のパルス波が重なった重畳波が形成されている。重畳波の波高は、単独のパルス波の波高とは異なっており、重畳波の波高に応じて誤った放射線のエネルギーが測定される。

【0032】

波形整形部２２には、処理部２３及びパルス検出部２４が接続されている。波形整形部２２は、処理部２３及びパルス検出部２４へ、パルス波を含む信号を入力する。パルス検出部２４は、波形整形部２２から信号を入力され、信号に含まれているパルス波を検出する。例えば、パルス検出部２４は、信号値が所定の閾値を超過した場合に、パルス波を検出したと判定する。パルス検出部２４は、処理部２３に接続されている。パルス検出部２４は、パルス波を検出した場合に、パルス波を検出したことを示す情報を処理部２３へ入力する。

【0033】

処理部２３は、波形整形部２２からパルス波を含む信号を入力され、パルス検出部２４から、パルス波を検出したことを示す情報を入力される。処理部２３は、演算を行う素子を用いて構成されている。処理部２３は、バッファメモリ２３１と、複数のパルス波の重なりがあるか否かを判定するための学習モデル２３２とを含んでいる。例えば、学習モデル２３２は、ＦＰＧＡ（field-programmable gate array ）を用いて構成されている。処理部２３は、パルス波が検出された場合に、学習モデル２３２を用いて、信号に複数のパルス波の重なりが含まれるか否かを判定する。複数のパルス波の重なりがあるか否かを判定する方法については、後述する。

【0034】

波形整形部２２及び処理部２３には、波高測定部２５が接続されている。波形整形部２２は、波高測定部２５へ、パルス波を含む信号を入力する。処理部２３は、波高測定部２５へ、複数のパルス波の重なりの有無を示す情報を入力する。波高測定部２５は、複数のパルス波の重なりが無い場合に、波形整形部２２から入力された信号に含まれるパルス波の波高を測定する。複数のパルス波の重なりがある場合は、波高測定部２５は、波形整形部２２から入力された信号に含まれるパルス波の波高を測定しない。

【0035】

波高測定部２５には、カウント部２６が接続されている。波高測定部２５は、測定したパルス波の波高をカウント部２６へ入力する。カウント部２６は、波高別にパルス波をカウントする。例えば、カウント部２６は、マルチチャネルアナライザである。カウント部２６は、全ての波高についてパルス波をカウントする形態であってもよく、又は特定の波高についてのみパルス波をカウントする形態であってもよい。信号処理装置２は、パルス波の波高とカウント部２６がカウントしたカウント数との関係を示すデータを出力する。カウント数は、パルス波の波高に対応するエネルギーを有する放射線を放射線検出器１が検出した回数に対応する。

【0036】

複数のパルス波の重なりがある場合に波高測定部２５がパルス波の波高を測定しないことにより、信号処理装置２は、重なったパルス波についてはカウントを行わない。なお、波高測定部２５は、重なったパルス波については、波高の測定は行うものの、測定した波高をカウント部２６へ入力しない形態であってもよい。波高測定部２５は、重なったパルス波の波高をもカウント部２６へ入力し、カウント部２６は、重なったパルス波のカウントをしない形態であってもよい。波高測定部２５は、重なったパルス波の波高をもカウント部２６へ入力し、カウント部２６は、重なっていないパルス波と重なったパルス波とを区別してカウントする形態であってもよい。

【0037】

分析部３は、パーソナルコンピュータ等のコンピュータで構成されている。分析部３は、信号処理装置２が出力したデータを入力される。分析部３は、パルス波の波高とカウント数との関係から、放射線検出器１が検出した放射線のスペクトルを生成する処理を行う。分析部３はスペクトル生成部に対応する。分析部３は、更に、生成した放射線のスペクトルに基づいて、放射線源の元素分析等の更なる処理を行ってもよい。例えば、試料へ放射線を照射し、試料から発生した特性Ｘ線を放射線検出器１で検出し、特性Ｘ線のスペクトルに基づいて、試料に含まれる元素の定性分析又は定量分析を行う。なお、信号処理装置２は、放射線のスペクトルを生成する機能をも有していてもよい。

【0038】

重なったパルス波が単独のパルス波と誤ってカウントされ、誤った放射線のエネルギーが測定された場合、放射線のスペクトルは、誤ったエネルギーを有するピークであるサムピークを含むことになる。サムピークを含むスペクトルに基づいて元素分析を行った場合は、サムピークに応じた存在しない元素を誤って検出する虞がある。或は、存在する元素のピークにサムピークが重なり、当該元素の量が過剰に検出される虞がある。例えば、Ｆｅ（鉄）のＫ線を検出したことにより発生する複数のパルス波が重なった場合、サムピークはＰｂ（鉛）のＬ線のピークに重なり、Ｐｂの量が過剰に検出される。Ｃｕ（銅）のＫ線を検出したことにより発生する複数のパルス波が重なった場合、サムピークはＣｄ（カドミウム）のＫ線のピークに重なり、Ｃｄの量が過剰に検出される。

【0039】

処理部２３における複数のパルス波の重なりがあるか否かを判定する方法を説明する。図４は、処理部２３へ入力される信号の例を模式的に示すグラフである。図中の横軸は時間を示し、縦軸は信号値を示す。信号は、所定の時間間隔で得られた離散的な信号値の時系列で構成される。即ち、信号は、信号値の列からなる一次元データで表される。

【0040】

図２Ｂ及び図３Ｂに示すように、単一のパルス波を含む信号と、複数のパルス波が重なった重畳波を含む信号とでは、信号の形が異なり、信号値の時間変化も異なる。学習モデル２３２は、パルス波を含む信号を構成する信号値の列を入力された場合に、複数のパルス波の重なりがあるか否かを示す情報を出力するように、予め学習されている。

【0041】

図５は、実施形態１に係る学習モデル２３２の機能構成例を示す概念図である。学習モデル２３２は、夫々に複数のノードを有する入力層、複数の中間層及び出力層を備えた全結合のニューラルネットワークを用いる。入力層は、パルス波を含む信号を構成する信号値の列が入力される複数のノード４１を有する。信号値の列の中の一つの信号値が一つのノード４１へ入力され、夫々の信号値がいずれかのノード４１へ入力される。例えば、入力層にはｍ個のノード４１が含まれており、パルス波を含む信号を構成するｍ個の信号値が入力層へ入力される。

【0042】

学習モデル２３２はｎ（ｎは自然数）層の中間層を有している。第１の中間層は、複数のノード４２１を有する。入力層の夫々のノード４１は、複数のノード４２１へ信号値を出力する。複数のノード４２１は、入力層のノード４１から信号値を受け付け、信号値にパラメータを用いて演算し、第２の中間層に含まれる複数のノード４２２へ演算結果のデータを出力する。各中間層に含まれるノードは、前の中間層の複数のノードからデータを受け付け、受け付けたデータにパラメータを用いて演算し、後の中間層のノードへデータを出力する。例えば、ノードは、前の層の各ノードから受け付けたデータの値をｘ、各ノードに対応する重みをｗ、バイアス値をｂ、活性化関数をｆ（）として、ｆ（Σ（ｗ＊ｘ）＋ｂ）の演算を行い、演算結果のデータを後の層の複数のノードへ出力する。活性化関数は、例えば、ｒｅｌｕ関数又はシグモイド関数である。活性化関数は、一般的に機械学習で用いられるその他の関数であってもよい。

【0043】

学習モデル２３２の出力層は、単一のノード４３を有する。第ｎの中間層に含まれる複数のノード４２ｎは、出力層に含まれるノード４３へデータを出力する。出力層のノード４３は、複数のノード４２ｎからデータを受け付け、受け付けたデータにパラメータを用いて演算し、複数のパルス波の重なりの有無を示す情報を出力する。例えば、ノード４３での活性化関数は、（Σ（ｗ＊ｘ）＋ｂ）の演算結果が正の値であるか否かを示すデータを出力する関数である。例えば、ノード４３は、正の値を示すデータとして１の値を出力し、ゼロ以下の値を示すデータとしてゼロの値を出力してもよい。例えば、正の値を示すデータは、複数のパルス波の重なりが無いことを示す情報であり、ゼロ以下の値を示すデータは、複数のパルス波の重なりがあることを示す情報である。なお、ノード４３は、パルス波の重なりの有無を示す情報として、複数のパルス波の重なりが存在する確率を出力してもよい。学習モデル２３２は、ニューラルネットワークとして、畳みこみニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）、又は再帰型ニューラルネットワーク（ＲＮＮ：Recurrent Neural Network）を用いてもよい。

【0044】

学習モデル２３２の学習は、コンピュータを用いて行われる。図６は、学習モデル２３２の学習を行う学習装置５の構成例を示すブロック図である。学習装置５は学習モデル生成方法を実行する。学習装置５は、サーバ装置等のコンピュータである。学習装置５は、演算部５１と、メモリ５２と、記憶部５３と、表示部５４と、操作部５５とを備えている。演算部５１は、例えばＣＰＵ（Central Processing Unit ）、ＧＰＵ（Graphics Processing Unit）、又はマルチコアＣＰＵを用いて構成されている。演算部５１は、量子コンピュータを用いて構成されていてもよい。メモリ５２は、演算に伴って発生する一時的なデータを記憶する。メモリ５２は、例えばＲＡＭ（Random Access Memory）である。記憶部５３は、不揮発性であり、例えばハードディスクである。表示部５４は、例えば液晶ディスプレイ又はＥＬディスプレイ（Electroluminescent Display）である。操作部５５は、使用者からの操作を受け付けることにより、テキスト等の情報の入力を受け付ける。操作部５５は、例えばキーボード又はタッチパネルである。記憶部５３は、コンピュータプログラム５３１を記憶している。演算部５１は、コンピュータプログラム５３１に従って処理を実行する。

【0045】

図７は、学習モデル２３２を生成する処理の手順を示すフローチャートである。以下、ステップをＳと略す。演算部５１は、コンピュータプログラム５３１に従って以下の処理を実行する。演算部５１は、夫々に単一のパルス波からなる複数のパルス波信号を生成する（Ｓ１１）。Ｓ１１では、演算部５１は、シミュレーションにより、パルス波の波高、立ち上がり及びなまりの少なくとも一つがランダムである複数のパルス波信号を生成する。パルス波の波高、立ち上がり及びなまりの全てがランダムであってもよい。パルス波信号は信号値の列で構成される。例えば、パルス波信号に含まれる信号値の数は、学習モデル２３２の入力層のノード４１の数と同じである。

【0046】

演算部５１は、パルス波の波高、立ち上がり時定数及び立ち上がり開始時刻を、一様分布の乱数により生成する。乱数として、指数分布又はポアソン分布の乱数を用いてもよい。また、演算部５１は、パルス波のなまりの時定数をランダムに生成する。演算部５１は、生成したパラメータに従ったパルス波にホワイトノイズを重畳して、パルス波信号を生成する。パルス波に重畳するノイズは１／ｆノイズであってもよく、ノイズを重畳しなくてもよい。パルス波に重畳するノイズは、放射線検出器１の特性に応じたノイズであることが望ましい。パルス波信号は、図２Ｂに示す如き信号である。演算部５１は、生成した複数のパルス波信号を含んだパルス波データ５３２を記憶部５３に記憶する。放射線検出器１のサイズが大きい場合、実際に測定される信号のなまりが大きく変動する。シミュレーションにおいてパルス波のなまりをランダムにすることにより、実際の信号に近い信号を生成することができる。

【0047】

演算部５１は、次に、夫々に複数のパルス波が重なった重畳波からなる複数の重畳波信号を生成する（Ｓ１２）。Ｓ１２では、演算部５１は、シミュレーションにより、波高、立ち上がり及びなまりの少なくとも一つがランダムである二つのパルス波が夫々に重なった複数の重畳波信号を生成する。重畳波信号も信号値の列で構成される。演算部５１は、一つ目のパルス波の波高、立ち上がり時定数及び立ち上がり開始時刻、並びに二つ目のパルス波の波高、立ち上がり時定数及び立ち上がり開始時刻を、一様分布の乱数により生成する。また、演算部５１は、パルス波のなまりの時定数をランダムに生成する。なまりの時定数は二つのパルス波で同一であってもよい。演算部５１は、生成したパラメータに従った重畳波にノイズを重畳して、重畳波信号を生成する。重畳波信号は、図３Ｂに示す如き信号である。演算部５１は、生成した複数の重畳波信号を含んだ重畳波データ５３３を記憶部５３に記憶する。

【0048】

演算部５１は、次に、パルス波データ５３２に含まれる複数のパルス波信号及び重畳波データ５３３に含まれる複数の重畳波信号を教師データとして、学習モデル２３２を生成するための処理を行う（Ｓ１３）。Ｓ１３では、演算部５１は、複数のパルス波信号及び複数の重畳波信号を構成する信号値の列を、夫々に学習モデル２３２の入力層へ入力する。入力層のノード４１の夫々には、一つの信号値が入力される。演算部５１は、パルス波信号には、複数のパルス波の重なりが無いことを示す情報を関連付け、重畳波信号には、複数のパルス波の重なりがあることを示す情報を関連付ける。学習モデル２３２によって、出力層のノード４３から複数のパルス波の重なりがあるか否かを示す情報が出力される。演算部５１は、入力されたパルス波信号又は重畳波信号に関連付けられた情報とノード４３から出力された情報とを変数とする誤差関数により情報の誤差を計算し、誤差逆伝播法によって誤差が最小となるように、学習モデル２３２の各ノードの演算のパラメータを調整する。即ち、パルス波信号が入力されたときには複数のパルス波の重なりが無いことを示す情報に近い情報が出力され、重畳波信号が入力されたときには複数のパルス波の重なりがあることを示す情報に近い情報が出力されるように、パラメータが調整される。

【0049】

演算部５１は、複数のパルス波信号及び複数の重畳波信号を用いて処理を繰り返して、学習モデル２３２の各ノードのパラメータを調整することにより、学習モデル２３２の機械学習を行う。演算部５１は、調整された最終的なパラメータを記録した学習済データ５３４を記憶部５３に記憶する。このようにして、学習された学習モデル２３２が生成される。Ｓ１３が終了した後、演算部５１は処理を終了する。処理部２３に含まれる学習モデル２３２は、学習済データ５３４に基づいて製造される。例えば、処理部２３に含まれるＦＰＧＡに学習済データ５３４に記録されたパラメータが書き込まれることにより、学習モデル２３２が製造される。なお、演算部５１は、シミュレーションにより作成したパルス波信号及び重畳波信号を用いるのではなく、実際に測定されたパルス波信号及び重畳波信号を用いて学習モデル２３２の機械学習を行ってもよい。

【0050】

次に、信号処理装置２が実行する処理を説明する。図８は、実施形態１に係る信号処理装置２が実行する処理の手順を示すフローチャートである。放射線検出素子１１に放射線が入射した場合、放射線検出器１は、放射線のエネルギーに応じた階段波を生成し、階段波を含む信号を出力する。信号処理装置２は、放射線検出器１から階段波を含む信号が入力される（Ｓ２１）。Ａ／Ｄ変換部２１は、入力された信号をＡ／Ｄ変換する（Ｓ２２）。Ａ／Ｄ変換部２１は、Ａ／Ｄ変換した信号を波形整形部２２へ入力する。波形整形部２２は、入力された信号の波形を整形する（Ｓ２３）。波形整形により、波形整形部２２は信号に含まれるノイズを低減し、信号に含まれる階段波をパルス波へ変換する。波形整形部２２は、パルス波を含む信号を処理部２３、パルス検出部２４及び波高測定部２５へ入力する。

【0051】

処理部２３へ入力される信号は、信号値の時系列で構成される。処理部２３は、信号値をバッファメモリ２３１に順次記憶する（Ｓ２４）。Ｓ２１～Ｓ２４の処理は個々に繰り返し実行され、信号値はバッファメモリ２３１に順次記憶される。バッファメモリ２３１は、先入れ先出しメモリであり、順次的に入力された複数の信号値を記憶する。バッファメモリ２３１が記憶する複数の信号値の量が上限に達している状態で新たな信号値が入力された場合、バッファメモリ２３１は、記憶している複数の信号値の中で最初に記憶した信号値を消去し、新たな信号値を記憶する。

【0052】

パルス検出部２４は、入力された信号に含まれているパルス波の検出を待ち受ける（Ｓ２５）。Ｓ２５では、例えば、パルス検出部２４は、信号値が所定の閾値を超過した場合に、信号に含まれているパルス波を検出したと判定する。閾値は予め処理部２３に記憶されている。パルス波の検出がない場合は（Ｓ２５：ＮＯ）、パルス検出部２４は、Ｓ２５の処理を繰り返す。

【0053】

信号に含まれているパルス波を検出した場合は（Ｓ２５：ＹＥＳ）、パルス検出部２４は、パルス波を検出したことを示す情報を処理部２３へ入力し、処理部２３は、パルス波を含む信号を構成する信号値の列を学習モデル２３２へ入力する（Ｓ２６）。Ｓ２６では、処理部２３は、例えば、パルス波を検出したことを示す情報を入力された時点でバッファメモリ２３１に記憶されている複数の信号値を、学習モデル２３２へ入力する。処理部２３は、信号を構成する信号値を、間引いた上で学習モデル２３２へ入力してもよい。パルス波を含む信号を入力された学習モデル２３２は、前述したように、ニューラルネットワークの演算を行い、複数のパルス波の重なりがあるか否かを示す情報を出力する。

【0054】

処理部２３は、学習モデル２３２が出力した複数のパルス波の重なりの有無を示す情報を波高測定部２５へ入力する。波高測定部２５は、入力された情報に基づいて、複数のパルス波の重なりがあるか否かを特定する（Ｓ２７）。複数のパルス波の重なりが無いことを示す情報が入力されており、複数のパルス波の重なりが無い場合は（Ｓ２７：ＮＯ）、波高測定部２５は、入力された信号に含まれるパルス波の波高を測定する（Ｓ２８）。波高測定部２５は、測定したパルス波の波高をカウント部２６へ入力する。カウント部２６は、波高測定部２５から入力された波高別に、パルス波をカウントし（Ｓ２９）、処理を終了する。複数のパルス波の重なりがあることを示す情報が入力されており、複数のパルス波の重なりがある場合（Ｓ２７：ＹＥＳ）、波高測定部２５は、重なった複数のパルス波については波高の測定を行わず、信号処理装置２は処理を終了する。この結果、カウント部２６は、重なった複数のパルス波をカウントしない。信号処理装置２は、Ｓ２１～Ｓ２９の処理を個々に繰り返し実行する。

【0055】

信号処理装置２は、パルス波の波高とカウント部２６がカウントしたカウント数との関係を示すデータを出力する。分析部３は、信号処理装置２が出力したデータを入力され、データに基づいて、放射線検出器１が検出した放射線のスペクトルを生成する。

【0056】

図９は、複数の方法で得られた放射線のスペクトルを示すスペクトル図である。図中の横軸は放射線のエネルギーをｋｅＶの単位で示し、縦軸は放射線のカウント数を示す。図９に示すスペクトルには、１１．８ｋｅＶ付近のピークと、１２．４ｋｅＶ付近のピークとが含まれている。しかしながら、これらのピークはいずれも、重なった複数のパルス波の波高を測定したことによって得られるサムピークである。図９には、パルス波の重なりの検出を行わない場合のスペクトルを破線で示し、従来技術によってパルス波の重なりの検出を行った場合のスペクトルを細い実線で示す。また、本実施形態によってパルス波の重なりの検出を行った場合のスペクトルを太い実線で示す。

【0057】

図９に示すように、パルス波の重なりの検出を行った場合は、サムピークの強度が減少する。本実施形態では、従来技術に比べて、サムピークの強度がより減少している。このため、本実施形態では、従来検出が困難であった複数のパルス波の重なりを効果的に検出することができる。複数のパルス波の重なりを効果的に検出することにより、パルス波の重なりに起因して放射線のエネルギーを誤って測定することを抑制することができる。これにより、放射線のスペクトルにサムピークが発生することを抑制し、スペクトルに基づいた元素分析の精度を向上させることができる。例えば、存在しない元素を誤って検出することを抑制することができる。また、パルス波を検出するための閾値を低くしたとしても、複数のパルス波の重なりを検出することが可能となる。このため、パルス波を検出するための閾値を低くすることが可能となり、軽元素等、放射線のエネルギーの低い元素の検出が容易となる。

【0058】

以上詳述した如く、信号処理装置２は、学習モデル２３２を用いて、複数のパルス波の重なりを検出する。学習モデル２３２は、パルス波を含む信号を構成する信号値の列を入力された場合に、複数のパルス波の重なりの有無を示す情報を出力する。学習モデル２３２を用いることにより、従来検出が困難であった複数のパルス波の重なりを検出することができる。学習モデル２３２は信号の波形の全体から複数のパルス波の重なりの有無を判定するので、信号波形の特徴量に基づいた従来の判定方法に比べて、ノイズの影響を受け難くなり、より確実に複数のパルス波の重なりの有無が得られる。これによって、放射線検出装置１０は、放射線のスペクトルに基づいた元素分析の精度を向上させることができる。また、信号処理装置２は、信号値の列を処理することによって、信号の画像を処理する場合に比べて高速に処理を実行することができ、ほぼリアルタイムにパルス波の重なりを検出することができる。

【0059】

＜実施形態２＞
図１０は、実施形態２に係る放射線検出装置１０の機能構成を示すブロック図である。放射線検出器１及び分析部３の構成及び機能は、実施形態１と同様である。処理部２３は、波形整形部２２及びＡ／Ｄ変換部２１に接続されている。処理部２３は、パルス波を含む信号を波形整形部２２から入力され、階段波を含む信号をＡ／Ｄ変換部２１から入力される。処理部２３は、パルス波を含む信号を構成する信号値と、階段波を含む信号を構成する信号値を、バッファメモリ２３１に記憶する。

【0060】

学習モデル２３２は、パルス波を含む信号と階段波を含む信号とを入力された場合に、複数のパルス波の重なりがあるか否かを示す情報を出力するように、予め学習されている。学習モデル２３２は、実施形態１と同様に、全結合のニューラルネットワークを用いる。学習モデル２３２の入力層は、パルス波を含む信号を構成する信号値の列が入力される複数のノード４１に加えて、階段波を含む信号を構成する信号値の列が入力される複数のノード４１を含んでいる。学習モデル２３２の出力層のノード４３は、実施形態１と同様に、複数のパルス波の重なりの有無を示す情報を出力する。信号処理装置２のＡ／Ｄ変換部２１及び処理部２３以外の部分の構成は、実施形態１と同様である。

【0061】

学習モデル２３２の学習は、実施形態１と同様に、学習装置５によって行われる。学習装置５の演算部５１は、Ｓ１１での複数のパルス波信号の生成に加えて、パルス波が波形整形部２２により変換される前の階段波を含む信号に対応する階段波信号を生成する。逆に、演算部５１は、シミュレーションにより、階段波を含み、階段波の波高、立ち上がり及びなまりの少なくとも一つがランダムであり、ホワイトノイズを重畳した複数の階段波信号を生成し、階段波信号を微分することによりパルス波信号を生成してもよい。信号に重畳するノイズは１／ｆノイズであってもよく、ノイズを重畳しなくてもよい。また、演算部５１は、Ｓ１２での複数の重畳波信号の生成に加えて、重畳波が波形整形部２２により変換される前の複数の階段波を含む信号に対応する近接階段波信号を生成する。逆に、演算部５１は、シミュレーションにより、波高、立ち上がり及びなまりの少なくとも一つがランダムである二つの近接した階段波を含んだ複数の近接階段波信号を生成し、近接階段波信号を微分することにより重畳波信号を生成してもよい。なお、演算部５１は、シミュレーションにより作成した階段波信号及び近接階段波信号を用いるのではなく、実際に測定された階段波信号及び近接階段波信号を用いてもよい。

【0062】

演算部５１は、Ｓ１３で、複数のパルス波信号及び階段波信号と、複数の重畳波信号及び近接階段波信号とを教師データとして、学習モデル２３２を生成するための処理を行う。Ｓ１３では、演算部５１は、パルス波信号及び階段波信号を構成する信号値の列を学習モデル２３２の入力層へ入力する。また、演算部５１は、重畳波信号及び近接階段波信号を構成する信号値の列を学習モデル２３２の入力層へ入力する。演算部５１は、誤差逆伝播法により、学習モデル２３２の各ノードの演算のパラメータを調整する。演算部５１は、複数のパルス波信号及び複数の重畳波信号を用いて処理を繰り返して、学習モデル２３２の機械学習を行う。

【0063】

信号処理装置２は、実施形態１と同様に、Ｓ２１～Ｓ２５の処理を実行する。Ｓ２６では、処理部２３は、波形整形部２２から入力されたパルス波を含む信号を構成する信号値の列と、Ａ／Ｄ変換部２１から入力された階段波を含む信号を構成する信号値の列とを、学習モデル２３２へ入力する。学習モデル２３２は、ニューラルネットワークの演算を行い、複数のパルス波の重なりがあるか否かを示す情報を出力する。信号処理装置２は、実施形態１と同様に、Ｓ２７～Ｓ２９の処理を実行する。信号処理装置２は、パルス波の波高とカウント数との関係を示すデータを出力し、分析部３は、信号処理装置２が出力したデータを入力され、放射線検出器１が検出した放射線のスペクトルを生成する。分析部３は、放射線のスペクトルに基づいて、放射線源の元素分析を行ってもよい。

【0064】

以上詳述した如く、実施形態２においては、信号処理装置２は、パルス波を含む信号に加えて、パルス波に変換する前の階段波を含む信号を学習モデル２３２へ入力して、パルス波の重なりを検出する。複数のパルス波が重なっている場合は、階段波の間隔が短く、階段波を含む信号の波形も、パルス波が重なっていない場合と比べて異なる。このため、パルス波を含む信号に加えて、階段波を含む信号をも用いることにより、パルス波の重なりがあるか否かの判定がより容易となる。信号処理装置２は、実施形態１に比べて、より効果的に複数のパルス波の重なりを検出することができ、放射線検出装置１０は、スペクトルに基づいた元素分析の精度をより向上させることができる。

【0065】

なお、信号処理装置２は、パルス波を含んだ信号を用いずに、階段波を含んだ信号を用いて、複数のパルス波の重なりを検出する形態であってもよい。この形態では、学習モデル２３２は、階段波を含む信号を入力された場合に、複数のパルス波の重なりがあるか否かを示す情報を出力するように、予め学習されている。学習モデル２３２の入力層は、階段波を含む信号を構成する信号値の列が入力される複数のノード４１を含んでいる。学習モデル２３２の学習では、学習装置５は、階段波信号及び近接階段波信号を生成し、複数の階段波信号及び近接階段波信号を教師データとして、学習モデル２３２の機械学習を行う。信号処理装置２は、Ｓ２６では、パルス波を含む信号を構成する信号値の列は学習モデル２３２へ入力せず、階段波を含む信号を構成する信号値の列を学習モデル２３２へ入力する。学習モデル２３２は、同様に、複数のパルス波の重なりがあるか否かを示す情報を出力する。信号処理装置２は、実施形態１と同様に、効果的に複数のパルス波の重なりを検出することができる。

【0066】

また、信号処理装置２は、パルス波を含む信号及び／又は階段波を含む信号に加えて、パルス波を更に波形整形部２２で整形した整形波を含む信号を更に学習モデル２３２へ入力して、複数のパルス波の重なりを検出する形態であってもよい。整形波は、例えば、階段波の二階微分に相当する。学習モデル２３２は、パルス波を含む信号を構成する信号値の列及び／又は階段波を含む信号を構成する信号値の列と、整形波を含む信号を構成する信号値の列とを入力された場合に、複数のパルス波の重なりがあるか否かを示す情報を出力するように、予め学習されている。学習モデル２３２の入力層は、整形波を含む信号を構成する信号値の列が入力される複数のノード４１を含んでいる。学習モデル２３２の学習では、学習装置５は、整形波を含む信号、及び重畳波信号を整形した信号を生成し、パルス波信号及び／又は階段波信号と、整形波を含む信号と、重畳波信号及び／又は近接階段波信号と、重畳波信号を整形した信号とを教師データとして、機械学習を行う。信号処理装置２は、Ｓ２６では、パルス波を含む信号を構成する信号値の列及び／又は階段波を含む信号を構成する信号値の列と、整形波を含む信号を構成する信号値の列とを学習モデル２３２へ入力する。学習モデル２３２は、複数のパルス波の重なりがあるか否かを示す情報を出力する。この形態においても、信号処理装置２は、より効果的に複数のパルス波の重なりを検出することができる。

【0067】

また、信号処理装置２は、パルス波を含む信号及び／又は階段波を含む信号に加えて、信号波形の特徴量を更に学習モデル２３２へ入力して、パルス波の重なりを検出する形態であってもよい。信号波形の特徴量は、例えば、波高、立ち上がり時定数、又は信号波の時間幅等である。学習モデル２３２は、パルス波を含む信号を構成する信号値の列及び／又は階段波を含む信号を構成する信号値の列と、信号波形の特徴量とを入力された場合に、複数のパルス波の重なりがあるか否かを示す情報を出力するように、予め学習されている。信号処理装置２は、Ｓ２６で、パルス波を含む信号を構成する信号値の列及び／又は階段波を含む信号を構成する信号値の列と、信号波形の特徴量とを学習モデル２３２へ入力する。学習モデル２３２は、複数のパルス波の重なりがあるか否かを示す情報を出力する。更に、整形波を含む信号をも用いてもよい。信号波形の特徴量は、単一のパルス波と重畳波とで異なるので、信号波形の特徴量を用いることにより、複数のパルス波の重なりをより効果的に検出することができる。このため、放射線検出装置１０は、スペクトルに基づいた元素分析の精度をより向上させることができる。

【0068】

＜実施形態３＞
実施形態３においては、学習モデル２３２が重なっているパルス波の数を判定する形態を示す。図１１は、実施形態３に係る放射線検出装置１０の機能構成を示すブロック図である。放射線検出器１及び分析部３の構成及び機能は、実施形態１と同様である。信号処理装置２は、Ａ／Ｄ変換部２１と、波形整形部２２と、処理部２３と、波高測定部２５と、カウント部２６とを備える。処理部２３は、バッファメモリを有していない。処理部２３は、Ａ／Ｄ変換部２１からの階段波を含む信号と、波形整形部２２からのパルス波を含む信号との少なくとも一方を入力される。処理部２３は、重なっているパルス波の数を示す情報を波高測定部２５へ入力する。

【0069】

図１２は、実施形態３に係る学習モデル２３２の機能構成例を示す概念図である。学習モデル２３２は、パルス波を含む信号を構成する信号値の列及び／又は階段波を含む信号を構成する信号値の列を入力された場合に、重なっているパルス波の数の確率を出力するように、予め学習されている。学習モデル２３２の出力層は、複数のノード４３を有する。夫々のノード４３は、複数のノード４２ｎからデータを受け付け、受け付けたデータにパラメータを用いて演算し、信号に含まれるパルス波が重なっている数が特定の数である確率を出力する。例えば、一のノード４３は、信号にパルス波が含まれていない確率を出力し、他のノード４３は、複数のパルス波が重なっておらず、パルス波の数が一つである確率を出力し、更に他のノード４３は、重なっているパルス波の数が二つである確率を出力する。ノード４３は、パルス波が重なっている数が特定の数である確率を０～１の実数で出力してもよく、０又は１の二値で出力してもよい。

【0070】

学習モデル２３２の学習では、学習装置５は、パルス波及び階段波を含まない信号と、パルス波信号及び／又は階段波信号と、重畳波信号及び／又は近接階段波信号とを教師データとして、機械学習を行う。学習装置５は、パルス波及び階段波を含まない信号には、パルス波が無い確率が１であり他の確率が０である情報を関連付け、パルス波信号及び／又は階段波信号には、パルス波が一つである確率が１であり他の確率が０である情報を関連付け、重畳波信号及び／又は近接階段波信号には、パルス波が複数である確率が１であり他の確率が０である情報を関連付ける。学習装置５は、入力層へ入力した信号に関連付けられた情報が示す夫々の確率と、出力層から出力された夫々の確率とを変数とする誤差関数により情報の誤差を計算し、誤差逆伝播法によって誤差が最小となるように、学習モデル２３２の各ノードの演算のパラメータを調整する。

【0071】

図１３は、実施形態３に係る信号処理装置２が実行する処理の手順を示すフローチャートである。信号処理装置２は、放射線検出器１から階段波を含む信号が入力され（Ｓ３１）、Ａ／Ｄ変換部２１は、信号をＡ／Ｄ変換する（Ｓ３２）。Ａ／Ｄ変換部２１は、Ａ／Ｄ変換した信号を波形整形部２２へ入力する。波形整形部２２は、入力された信号の波形を整形する（Ｓ３３）。波形整形により、階段波はパルス波へ変換される。波形整形部２２は、パルス波を含む信号を波高測定部２５へ入力する。

【0072】

処理部２３は、Ａ／Ｄ変換部２１からの階段波を含む信号、及び／又は波形整形部２２からのパルス波を含む信号を入力され、入力された信号を構成する信号値の列を学習モデル２３２へ入力する（Ｓ３４）。学習モデル２３２は、前述したように、ニューラルネットワークの演算を行い、重なっているパルス波の数の確率を出力する。処理部２３は、重なっているパルス波の数を示す情報を波高測定部２５へ入力する。このとき、処理部２３は、重なっているパルス波の数を示す情報として、学習モデル２３２が出力した確率を波高測定部２５へ入力してもよい。また、処理部２３は、重なっているパルス波の数を確率に基づいて判定し、重なっているパルス波の数を示す情報として、判定した数を示す情報を波高測定部２５へ入力してもよい。例えば、処理部２３は、確率が最大である数、又は確率が所定値以上である数を、重なっているパルス波の数であると判定する。

【0073】

波高測定部２５は、入力された情報に基づいて、パルス波の数が一つであるか否かを特定する（Ｓ３５）。パルス波の数が一つである場合は（Ｓ３５：ＹＥＳ）、波高測定部２５は、入力された信号に含まれるパルス波の波高を測定する（Ｓ３６）。波高測定部２５は、測定したパルス波の波高をカウント部２６へ入力する。カウント部２６は、波高別にパルス波をカウントし（Ｓ３７）、処理を終了する。パルス波の数が一つ以外の数である場合は（Ｓ３５：ＮＯ）、波高測定部２５は波高の測定を行わず、信号処理装置２は処理を終了する。この結果、カウント部２６は、重なった複数のパルス波をカウントしない。信号処理装置２は、Ｓ３１～Ｓ３７の処理を繰り返し実行する。

【0074】

信号処理装置２は、パルス波の波高とカウント部２６がカウントしたカウント数との関係を示すデータを出力する。分析部３は、信号処理装置２が出力したデータを入力され、データに基づいて、放射線検出器１が検出した放射線のスペクトルを生成する。分析部３は、放射線のスペクトルに基づいて、放射線源の元素分析を行ってもよい。本実施形態においても、信号処理装置２は、効果的に複数のパルス波の重なりを検出することができ、放射線検出装置１０は、スペクトルに基づいた元素分析の精度をより向上させることができる。

【0075】

なお、信号処理装置２は、パルス波を更に波形整形部２２で整形した整形波を含む信号をも用いて、複数のパルス波の重なりを検出する形態であってもよい。また、信号処理装置２は、信号波形の特徴量をも用いて、複数のパルス波の重なりを検出する形態であってもよい。

【0076】

＜実施形態４＞
実施形態４においては、学習モデル２３２が階段波の数と波高とを判定する形態を示す。図１４は、実施形態４に係る放射線検出装置１０の機能構成を示すブロック図である。放射線検出器１及び分析部３の構成及び機能は、実施形態１と同様である。信号処理装置２は、Ａ／Ｄ変換部２１と、処理部２３と、カウント部２６とを備える。Ａ／Ｄ変換部２１は、階段波を含む信号を処理部２３へ入力する。

【0077】

図１５は、実施形態４に係る学習モデル２３２の機能構成例を示す概念図である。学習モデル２３２は、階段波を含む信号を構成する信号値の列を入力された場合に、信号に含まれる階段波の数の確率及び階段波の波高を出力するように、予め学習されている。学習モデル２３２の出力層は、複数のノード４３を有する。夫々のノード４３は、複数のノード４２ｎからデータを受け付け、受け付けたデータにパラメータを用いて演算する。一のノード４３は、信号に含まれている階段波の波高を出力する。他のノード４３は、信号に含まれる階段波の数の確率を出力する。例えば、信号に階段波が含まれていない確率を出力するノード４３と、階段波の数が一つである確率を出力するノード４３と、階段波の数が二つである確率を出力するノード４３とがある。ノード４３は、階段波の数が特定の数である確率を０～１の実数で出力してもよく、０又は１の二値で出力してもよい。信号に含まれる階段波の数の確率は、複数の階段波を変換した複数のパルス波の重なりの有無に関する情報である。

【0078】

学習モデル２３２の学習では、学習装置５は、階段波を含まない信号と、階段波信号と、近接階段波信号とを教師データとして、機械学習を行う。学習装置５は、階段波を含まない信号には、波高がゼロであり、階段波が無い確率が１であり他の確率が０であることを示す情報を関連付ける。学習装置５は、階段波信号には、階段波の波高と、階段波が一つである確率が１であり他の確率が０であることとを示す情報を関連付ける。学習装置５は、近接階段波信号には、複数の階段波の波高の合計と、階段波が複数である確率が１であり他の確率が０であることを示す情報を関連付ける。学習装置５は、入力層へ入力した信号に関連付けられた情報が示す波高及び夫々の確率と、出力層から出力された夫々の確率とを変数とする誤差関数により情報の誤差を計算し、誤差逆伝播法によって誤差が最小となるように、学習モデル２３２の各ノードの演算のパラメータを調整する。

【0079】

図１６は、実施形態４に係る信号処理装置２が実行する処理の手順を示すフローチャートである。信号処理装置２は、放射線検出器１から階段波を含む信号が入力され（Ｓ４１）、Ａ／Ｄ変換部２１は、信号をＡ／Ｄ変換する（Ｓ４２）。Ａ／Ｄ変換部２１は、Ａ／Ｄ変換した信号を処理部２３へ入力する。

【0080】

処理部２３は、入力された信号を構成する信号値の列を学習モデル２３２へ入力する（Ｓ４３）。学習モデル２３２は、前述したように、ニューラルネットワークの演算を行い、信号に含まれる階段波の波高、及び階段波の数の確率を出力する。処理部２３は、波高及び階段波の数を示す情報をカウント部２６へ入力する。このとき、処理部２３は、階段波の数を示す情報として、学習モデル２３２が出力した確率をカウント部２６へ入力してもよい。また、処理部２３は、階段波の数を確率に基づいて判定し、階段波の数を示す情報として、判定した数を示す情報をカウント部２６へ入力してもよい。例えば、処理部２３は、確率が最大である数、又は確率が所定値以上である数を、階段波の数であると判定する。

【0081】

カウント部２６は、入力された情報に基づいて、階段波の数が一つであるか否かを特定する（Ｓ４４）。階段波の数が一つである場合は（Ｓ４４：ＹＥＳ）、カウント部２６は、波高別に階段波をカウントし（Ｓ４５）、処理を終了する。これにより、カウント部２６は、複数の階段波を変換した複数のパルス波の重なりが無い場合の階段波をカウントする。階段波の数が一つ以外の数である場合は（Ｓ４４：ＮＯ）、カウント部２６はカウントを行わず、信号処理装置２は処理を終了する。この結果、カウント部２６は、複数の階段波を変換した複数のパルス波が重なる場合の階段波をカウントしない。信号処理装置２は、Ｓ４１～Ｓ４５の処理を繰り返し実行する。

【0082】

信号処理装置２は、階段波の波高とカウント部２６がカウントしたカウント数との関係を示すデータを出力する。分析部３は、信号処理装置２が出力したデータを入力され、データに基づいて、放射線検出器１が検出した放射線のスペクトルを生成する。分析部３は、放射線のスペクトルに基づいて、放射線源の元素分析を行ってもよい。本実施形態においても、信号処理装置２は、複数の階段波を変換した複数のパルス波の重なりを効率的に検出することができ、放射線検出装置１０は、スペクトルに基づいた元素分析の精度をより向上させることができる。なお、信号処理装置２は、信号波形の特徴量をも用いて、複数のパルス波の重なりを検出する形態であってもよい。

【0083】

＜実施形態５＞
図１７は、実施形態５に係る処理部２３の機能構成を示すブロック図である。処理部２３は、演算部２３３及びメモリ２３４を有する。演算部２３３は、例えばＣＰＵ、ＧＰＵ、又はマルチコアＣＰＵを用いて構成されている。演算部２３３は、量子コンピュータを用いて構成されていてもよい。メモリ２３４は、不揮発性のメモリである。メモリ２３４は、コンピュータプログラム２３５を記憶している。演算部２３３は、コンピュータプログラム２３５に従って処理部２３に必要な処理を実行する。学習モデル２３２は、コンピュータプログラム２３５に従って演算部２３３が情報処理を実行することにより実現される。

【0084】

演算部２３３は、コンピュータプログラム２３５に従って情報処理を実行することにより、実施形態１～４における処理部２３に必要な処理を実行する。このようにして、実施形態１～４における処理部２３が実現される。放射線検出器１及び分析部３の構成及び機能は、実施形態１～４と同様である。信号処理装置２の処理部２３以外の部分の構成及び機能は、実施形態１～４と同様である。信号処理装置２及び放射線検出装置１０は、実施形態１～４と同様の処理を実行する。本実施形態においても、信号処理装置２は、複数の階段波を変換した複数のパルス波の重なりを効率的に検出することができ、放射線検出装置１０は、スペクトルに基づいた元素分析の精度をより向上させることができる。なお、信号処理装置２の処理部２３以外の部分の一部又は全部も、コンピュータプログラムを用いて実現されてもよい。

【0085】

＜実施形態６＞
実施形態６では、信号処理装置２は、学習モデルを用いずにパルス波の重なりを効果的に検出する。図１８は、実施形態６に係る放射線検出装置１０の機能構成を示すブロック図である。放射線検出器１及び分析部３の構成及び機能は、実施形態１と同様である。信号処理装置２は、Ａ／Ｄ変換部２１と、波形整形部２２と、処理部２３と、パルス検出部２４と、波高測定部２５と、カウント部２６と、記憶部２７とを備える。処理部２３は、学習モデルを含んでいない。処理部２３には、記憶部２７が接続されている。記憶部２７は、不揮発性である。例えば、記憶部２７は不揮発性の半導体メモリで構成されている。記憶部２７は、所定の係数列を記憶している。信号処理装置２の処理部２３及び記憶部２７以外の部分の構成は、実施形態１と同様である。

【0086】

図１９及び図２０は、係数列の例を示すグラフである。図中の横軸はクロックを単位にした時間を示し、縦軸は係数の値又は信号値を示す。係数列は、複数の係数が並んだ一次元の配列である。図１９には、単一のパルス波を含む信号を破線で示し、係数列を実線で示している。パルス波を含む信号を構成する信号値の列をクロックの間隔で並べて示している。また、係数列に含まれる複数の係数を順番にクロックの間隔で並べて示している。係数列に含まれる複数の係数は、パルス波を含む信号を構成する信号値の列と積和演算を行うためのものである。係数列に含まれる係数の数をｍとする。係数列をａ₁ ，ａ₂ ，…，ａ_m ，とし、パルス波を含む信号を構成する信号値の列をｘ₁ ，ｘ₂ ，…とする。積和演算は、（ａ₁ ＊ｘ₁ ＋ａ₂ ＊ｘ₂ ＋…＋ａ_m ＊ｘ_m ＋Ｃ）で表される。Ｃは定数値である。定数値Ｃは記憶部２７に記憶されている。

【0087】

図１９に示すように、係数列は、パルス波とほぼ同時に立ち上がり、パルス波よりも短い期間で増大と減少とを行い、パルス波のピーク付近でほぼゼロになり、以後はマイナスの値となり、ゆっくりとゼロの値に近づく。係数列は、単一のパルス波を含む信号を構成する信号値の列との積和演算の結果が、ほぼゼロになるように設定されている。図１９に示すように、クロック１５０の時点でパルス波を含む信号の値がほぼゼロとなり、これ以後の積和演算はほぼゼロとなる。クロック１５０の時点以前では、パルス波のピーク以前の信号値とプラスの係数との積和演算の結果はプラスの値となり、パルス波のピーク以後の信号値とマイナスの係数との積和演算の結果はマイナスの値となり、合計でほぼゼロとなるように、係数の値の変化が定められている。このため、単一のパルス波を含む信号を構成する信号値の列と係数列との積和演算の結果は、ほぼゼロになる。このように、係数列は、単一のパルス波を含む信号との積和演算の結果がほぼゼロになるように定められている。

【0088】

図２０には、重畳波を含む信号を破線で示し、係数列を実線で示している。図１９及び図２０に示す係数列は同一である。図２０に示すように、重畳波の時間幅は単一のパルス波よりも大きいので、重畳波を含む信号では、クロック１５０の時点以後でも、信号値はプラスの値を保っている。また、係数列は、クロック１５０の時点以後はマイナスの値となっている。このため、重畳波を含む信号を構成する信号値の列と係数列との積和演算の結果は、クロック１５０の時点以後ではマイナスの値となる。クロック１５０の時点以前では、単一のパルス波と同様に、積和演算の結果はほぼゼロとなる。このため、重畳波を含む信号を構成する信号値の列と係数列との積和演算の結果は、マイナスの値となる。このように、係数列は、重畳波を含む信号との積和演算の結果がマイナスの値になるように定められている。即ち、ゼロ未満の所定の値を基準値として、係数列は、単一のパルス波を含む信号との積和演算の結果が基準値より大となり、重畳波を含む信号との積和演算の結果が基準値より小となるように、定められている。

【0089】

図２１は、実施形態６に係る信号処理装置２が実行する処理の手順を示すフローチャートである。信号処理装置２は、実施形態１におけるＳ２１～Ｓ２５の処理と同様のＳ５１～Ｓ５５の処理を実行する。信号に含まれているパルス波を検出した場合は（Ｓ２５：ＹＥＳ）、パルス検出部２４は、パルス波を検出したことを示す情報を処理部２３へ入力し、処理部２３は、入力された信号を構成する信号値の列と記憶部２７に記憶している係数列との積和演算を行う（Ｓ５６）。

【0090】

処理部２３は、積和演算の結果に従って、入力された信号に複数のパルス波の重なりがあるか否かを判定する（Ｓ５７）。Ｓ５７では、処理部２３は、積和演算の結果がゼロ未満の基準値未満である場合に、複数のパルス波の重なりがあると判定し、積和演算の結果が基準値以上である場合に、複数のパルス波の重なりは無いと判定する。基準値は予め処理部２３又は記憶部２７に記憶されている。処理部２３は、複数のパルス波の重なりの有無を示す情報を波高測定部２５へ入力する。複数のパルス波の重なりが無い場合は（Ｓ５７：ＮＯ）、波高測定部２５は、入力された信号に含まれるパルス波の波高を測定し（Ｓ５８）、測定した波高をカウント部２６へ入力する。カウント部２６は、波高測定部２５から入力された波高別に、パルス波をカウントし（Ｓ５９）、処理を終了する。

【0091】

複数のパルス波の重なりがある場合（Ｓ５７：ＹＥＳ）、波高測定部２５は、重なった複数のパルス波については波高の測定を行わず、信号処理装置２は処理を終了する。この結果、カウント部２６は、重なった複数のパルス波をカウントしない。信号処理装置２は、Ｓ５１～Ｓ５９の処理を個々に繰り返し実行する。信号処理装置２は、パルス波の波高とカウント数との関係を示すデータを出力する。分析部３は、信号処理装置２が出力したデータを入力され、データに基づいて、放射線検出器１が検出した放射線のスペクトルを生成する。分析部３は、放射線のスペクトルに基づいて、放射線源の元素分析を行ってもよい。

【0092】

なお、係数列は、単一のパルス波を含む信号を構成する信号値の列との積和演算の結果が基準値より小となり、重畳波を含む信号を構成する信号値の列との積和演算の結果が基準値より大となるように、定められていてもよい。例えば、係数列は、単一のパルス波を含む信号を構成する信号値の列と係数列との積和演算の結果がほぼゼロになり、重畳波を含む信号との積和演算の結果がプラスの値になるように定められていてもよい。この形態では、Ｓ５７で、処理部２３は、ゼロを超過する所定の値を基準値として、積和演算の結果が基準値を超過する場合に、複数のパルス波の重なりがあると判定し、積和演算の結果が基準値以下である場合に、複数のパルス波の重なりは無いと判定する。

【0093】

以上詳述した如く、実施形態６においては、信号処理装置２は、パルス波を含む信号を構成する信号値の列と所定の係数列との積和演算を行い、積和演算の結果に基づいて、パルス波の重なりを検出する。実施形態６においても、信号処理装置２は、効果的にパルス波の重なりを検出することができ、放射線検出装置１０は、スペクトルに基づいた元素分析の精度をより向上させることができる。学習モデルを使用せずに積和演算によって判定を行うので、信号処理装置２は、より高速に処理を実行することができる。

【0094】

信号処理装置２は、実施形態１又は２に示した学習モデル２３２を用いる方法と、実施形態６に示した積和演算の結果を用いる方法とを両方実行する形態であってもよい。例えば、信号処理装置２は、学習モデル２３２を用いる方法と積和演算の結果を用いる方法との両方でパルス波の重なりがあるか否かを判定し、何れか一方の方法でパルス波の重なりがあると判定した場合に、パルス波の重なりが発生したと判定する。実施形態１～６では、信号処理装置２がカウント部２６を備える形態を示したが、カウント部２６は信号処理装置２の外部に設けられていてもよい。また、実施形態１～６では、放射線検出素子１１が半導体放射線検出素子である例を示したが、放射線検出器１は、半導体放射線検出素子以外の放射線検出素子１１を用いた形態であってもよい。例えば、放射線検出器１は、シンチレーション検出器であってもよい。

【0095】

本発明は上述した実施の形態の内容に限定されるものではなく、請求項に示した範囲で種々の変更が可能である。即ち、請求項に示した範囲で適宜変更した技術的手段を組み合わせて得られる実施形態も本発明の技術的範囲に含まれる。

【符号の説明】

【0096】

１ 放射線検出器
１０ 放射線検出装置
１１ 放射線検出素子
２ 信号処理装置
２１ Ａ／Ｄ変換部
２２ 波形整形部
２３ 処理部
２３２ 学習モデル
２３５ コンピュータプログラム
２５ 波高測定部
２６ カウント部
２７ 記憶部
３ 分析部
５ 学習装置

【図1】

【図2A】

【図2B】

【図3A】

【図3B】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】

【図21】