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

我们将随机框架引入到开源的Core Imaging Library (CIL)中，使得随机算法的开发变得容易。我们开发了五种来自文献中的随机算法，包括随机梯度下降、随机平均梯度 (-Amélioré)、(无循环)随机方差减少梯度。我们通过在模拟的2D PET数据集上使用开源的Synergistic Image Reconstruction Framework与确定性算法进行比较研究，展示了框架的功能。我们观察到，与标准的确定性算法相比，随机优化方法可以在更少的数据传递次数内收敛。

本文旨在为开源的Core Imaging Library（CIL）引入一个随机框架，以便于开发随机算法。通过五种文献中的随机算法，如随机梯度下降，随机平均梯度（-Amélioré），（无循环）随机方差减少梯度等，展示了该框架的功能。通过在模拟的2D PET数据集上使用开源的Synergistic Image Reconstruction Framework，将随机优化方法与确定性算法进行比较，观察到随机优化方法可以在较少的数据传递次数内收敛。

本文提出了一种随机框架，使得开发随机算法变得更加容易，通过实验比较证明了随机优化方法可以比确定性算法更快地收敛。

本文的亮点在于引入了一个随机框架，使得开发随机算法变得更加容易，并且通过实验比较证明了随机优化方法可以比确定性算法更快地收敛。实验使用了模拟的2D PET数据集和开源的Synergistic Image Reconstruction Framework。

最近在这个领域中，还有一些相关的研究，如“Stochastic Gradient Descent Tricks”（2012）和“Stochastic Gradient Descent with Restart”（2016）。