Stochastic Optimisation Framework using the Core Imaging Library and Synergistic Image Reconstruction Framework for PET Reconstruction

要約

確率的フレームワークをオープンソースの Core Imaging Library (CIL) に導入し、確率的アルゴリズムの開発を容易にします。
文献からの 5 つのアルゴリズム、確率的勾配降下法、確率的平均勾配 (-Am\’elior\’e)、(ループレス) 確率的分散縮小勾配の 5 つが開発されています。
オープンソースの Synergistic Image Reconstruction Framework を使用して、シミュレートされた 2D PET データセットの決定論的アルゴリズムとの比較研究により、フレームワークの機能を紹介します。
確率的最適化手法は、標準の決定論的アルゴリズムよりも少ないデータパスで収束できることが観察されています。

要約(オリジナル)

We introduce a stochastic framework into the open–source Core Imaging Library (CIL) which enables easy development of stochastic algorithms. Five such algorithms from the literature are developed, Stochastic Gradient Descent, Stochastic Average Gradient (-Am\’elior\’e), (Loopless) Stochastic Variance Reduced Gradient. We showcase the functionality of the framework with a comparative study against a deterministic algorithm on a simulated 2D PET dataset, with the use of the open-source Synergistic Image Reconstruction Framework. We observe that stochastic optimisation methods can converge in fewer passes of the data than a standard deterministic algorithm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google