基于深度神经网络（DNN）的轨道分析系统在CR-39航天器空间辐射剂量测量中的应用开发

《Radiation Measurements》：The development of a DNN-assisted track analysis system for CR-39-based space radiation dosimetry

CR-39塑料核轨迹探测器通过Mask R-CNN深度学习模型实现自动化粒子轨迹检测与分割，显著提升空间辐射剂量分析效率（mAP达81.5%）并缩短处理时间至2分钟。

　　CR-39塑料核径迹探测器因其对带电粒子的高度敏感性和记录线性能量传递（LET）信息的能力，被广泛应用于空间辐射剂量学领域。传统的CR-39分析工具在一般剂量学应用中可以快速检测粒子径迹，但它们并未针对空间辐射应用进行优化，无法有效区分有效径迹与无效径迹，也无法准确提取径迹的形态参数以估计LET。这促使研究人员探索更加自动化的分析方法，以提高效率并确保数据的可靠性。

本研究提出了一种基于Mask R-CNN框架的深度神经网络（DNN）辅助径迹分析系统，旨在实现对CR-39探测器中粒子径迹的自动检测与分割。Mask R-CNN是一种先进的实例分割模型，它结合了目标定位与像素级分割的能力，能够更准确地识别重叠的径迹，并减少噪声干扰。该模型在训练过程中采用了迁移学习策略，利用在MS COCO数据集上预训练的权重，并在标注的CR-39图像上进行微调，从而提升了模型的适应性和性能。

在实验中，研究人员使用了来自国际合作项目的真实飞行数据集，这些数据集记录了CR-39探测器在国际空间站（ISS）上暴露后的径迹信息。这些数据包括多个剂量学组件，如热释光剂量计（TLD）、光致发光剂量计（OSLD）和辐射光致发光剂量计（RPLD），以及CR-39塑料核径迹探测器。通过化学蚀刻处理，探测器中的潜在径迹被揭示出来，并使用高分辨率显微成像系统进行扫描和分析。扫描过程采用了高精度的光学系统，以确保获取的数据具有足够的细节，用于后续的分析。

为了构建适合深度学习模型训练和评估的数据集，研究人员使用了Label Studio这一开源数据标注工具，对CR-39图像进行了手动标注。标注内容包括对有效径迹和无效径迹的识别，并且在有效径迹上进行了更精细的多边形标注，以提取其精确的轮廓信息。标注后的数据被分为训练集（70%）、验证集（18%）和测试集（12%），以确保模型的泛化能力和评估的准确性。在训练过程中，数据增强技术被用来提高模型的鲁棒性，防止过拟合。通过随机调整图像尺寸、翻转和亮度对比度，研究人员增加了训练样本的多样性，同时保持了标注的一致性。

模型的训练和评估主要依赖于mAP（平均精度）这一指标。mAP通过计算不同交并比（IoU）阈值下的平均精度值，综合评估了模型在检测和分割任务中的表现。实验结果显示，模型在检测任务中达到了81.5%的mAP值，在分割任务中达到了81.4%的mAP值。这表明该系统在处理复杂辐射场中的径迹识别方面具有较高的准确性和稳定性。此外，该系统在处理重叠径迹时表现出色，能够有效分割出有效径迹，并生成适合后续分析的像素级掩码。这一能力显著提高了分析效率，将单个样本的处理时间从数小时缩短至约2分钟。

在实际应用中，该系统被用于分析来自MATROSHKA-R实验的CR-39探测器样本。MATROSHKA-R实验旨在研究人体在空间辐射环境中的内部和外部剂量分布，为航天员辐射防护提供依据。实验中，CR-39探测器被放置在模拟人体组织的球形等效材料模型中，以获取更接近真实人体的辐射数据。通过对比传统方法与DNN辅助方法在有效径迹数量和吸收剂量估计方面的结果，研究人员发现两者在整体上表现出良好的一致性，平均有效径迹数量的差异为4.7%，吸收剂量的平均差异为11.2%。这些差异主要来源于两种方法在椭圆拟合过程中使用的不同策略，而椭圆拟合是LET计算的关键步骤。

尽管DNN辅助方法在整体上表现出较高的效率和准确性，但在处理极小或低对比度的径迹时仍面临一定挑战。这是因为这些径迹的信号强度较低，形态特征不明显，容易被噪声干扰或误判为无效径迹。然而，在空间辐射剂量学中，CR-39探测器主要对LET值高于10 keV/μm的粒子敏感，因此极小或模糊的径迹通常不被视为剂量学关注的重点。这表明DNN辅助系统在实际应用中具备足够的性能，能够满足大多数空间辐射监测的需求。

在测试过程中，研究人员发现该系统在处理重叠径迹时表现尤为突出。对于复杂重叠的径迹，传统方法往往难以准确分割，而DNN辅助方法则能够通过深度学习模型的多尺度特征提取能力，有效区分重叠区域中的各个径迹。尽管在某些极端重叠情况下，模型仍可能无法完全准确地分割所有径迹，但这一问题主要归因于训练数据中缺乏足够多的重叠样本，尤其是在多边形标注方面的不足。因此，未来的工作将集中在扩展训练数据集，提高标注的多样性和精确度，以及优化模型结构，以增强其对复杂径迹的处理能力。

为了进一步验证该系统的性能，研究人员还对吸收剂量进行了定量分析。在比较传统方法和DNN辅助方法的吸收剂量估计结果时，发现DNN辅助方法在某些情况下表现出更高的灵敏度，尤其是在低LET区域。这种更高的灵敏度使得模型能够检测到更多接近探测器灵敏度阈值的径迹，从而在剂量估计上略高于传统方法。然而，这种差异并未影响整体的测量精度，因为两种方法的相对不确定度均控制在合理范围内，且DNN辅助方法在安全考虑上更倾向于高估吸收剂量，这在个人剂量学中是被广泛接受的。

综上所述，本研究开发的DNN辅助径迹分析系统在空间辐射剂量学中展现出显著的优势。它不仅能够快速、准确地识别和分割有效径迹，还能在复杂的辐射环境中保持较高的稳定性。该系统的引入为高通量、标准化的CR-39分析提供了新的可能性，同时也为未来的空间辐射监测和防护研究奠定了坚实的基础。尽管仍存在一些挑战，例如对极小或复杂重叠径迹的识别，但通过持续优化模型和数据集，这些问题有望得到进一步解决。未来的研究方向包括提升模型的泛化能力、增加训练数据的多样性，以及引入更精确的椭圆拟合算法，以提高剂量估计的一致性和可靠性。