optimize

optimize #010

基于修正后的最新数据（时间口径统一 + hann 滤波对齐），重新分析。

修正后的公平对比数据（180°、hann、有噪声）

指标	TIGRE (helical/axial)	ASTRA (helical/axial)
单次迭代	~1.2s	~0.45s（2.7× 差距）
正向投影	~1.3s	~0.5s
收敛轮数	OS-SART 3-5 轮	SIRT 需 ~10 轮
Hybrid IR	0.00166 @ 3.7s	0.00090 @ 4.8s
TV-OS-SART 最优	0.00136 @ x5 (6.0s)	0.00081 @ x10 (5.0s)
噪声 FDK	0.00275	0.00278（滤波对齐后相同）

关键变化：滤波对齐前，ASTRA 的 FDK 差 2 倍 → 看似 ASTRA 不如 TIGRE 公平；对齐后，同口径下 ASTRA 质量全面超越 TIGRE，且总时间更短。

ASTRA 工业应用

优点

内核性能：单迭代 0.45s（TIGRE 2.7×），CUDA 内核工业级优化，吞吐高——直接决定产能（每小时可处理体数）
原生 helical：cone_vec 12 向量直接描述任意轨迹（螺旋/有限角/偏心），无欧拉角 gimbal lock——64 排 CT 螺旋重建的正确几何模型
质量上限：TV-OS-SART x10 = 0.00081，逼近无噪声极限（0.00087），修正滤波后噪声鲁棒
稳定性：SIRT3D_CUDA 无已知 bug；C++ 核心 + Python 绑定，可嵌入式部署
许可：BSD（宽松，可闭源商用）

缺点

收敛慢：只有 SIRT/ART/SART 类算法，无真正 OS-SART/ASD-POCS；SIRT 需 10 轮才收敛 → 迭代预算高
无内置 TV 正则化迭代算法：TV/先验需自己封装（本项目已做：GPU TV 梯度）
API 工程负担：几何/对象手动管理（create/delete），样板代码多，易泄漏
生态小：文档/教程少于 TIGRE，社区小

TIGRE 工业应用

优点

算法库丰富：FDK/OS-SART/ASD-POCS/PICCS/CGLS/FISTA/MLEM 一应俱全（虽部分有 bug），适合研究对比
开发效率：algs.ossart() 一行调用，demo 多、上手快
OS-SART 收敛快：3-5 轮即有效（Hybrid 只用 3 轮 3.7s）
内置 TV/PICCS 正则化

缺点

内核慢：单迭代 1.2s、投影 1.3s——大体积（512 层）按比例 ~16×，单例重建分钟级，难达临床吞吐
helical 无原生：offOrigin 模拟（官方推荐但非真螺旋），ArbitrarySourceDetMoveGeo 有 gimbal lock/零向量 bug——螺旋产品验证受限
算法可靠性：os_piccs（CUDA crash）、fista（float64）、ossart_tv（TV 归一化破坏收敛）、os_awasd（17s）——生产选型风险
维护节奏：学术项目，3.1.2→3.1.3 无实质修复

场景化取舍

场景	推荐	理由
快速原型/算法对比	TIGRE	API 简洁、算法全、3 轮出结果
生产部署（质量+速度）	ASTRA	内核快 2.7×、helical 原生、稳定；代价是封装 SIRT+TV 10 轮
helical 重建验证	ASTRA	cone_vec 真螺旋，TIGRE 只能模拟
全尺寸临床体（512³）	都需自研	开源库单例分钟级；临床产品（ASiR-V/SAFIRE）是自研 FDK+IR 混合 + 多 GPU，我们的 Hybrid 配方即此思路

一句话结论：滤波对齐后，ASTRA 在质量、速度、helical 几何三项全面胜出，是生产化首选；TIGRE 的价值在算法多样性和开发效率（研究/原型），生产选型时应把其部分算法的稳定性风险纳入评估。

optimize #009

tv gpu

optimize #008

os3+tv1+fdk speed up ,but rmse down

optimize #007 tv beta

x1  β=0.003   → 0.00353  (过强，磨糊了)
x3  β=0.002   → 0.00202  (开始恢复)
x5  β=0.001   → 0.00124  (追上原始最佳)
x10 β=0.0005  → 0.00076  ✅ NEW BEST!

指标	之前 β=0.001 固定	现在 β 调度	提升
最优 RMSE	0.00116 (x1)	0.00076 (x10)	-34%
TV 改善	+37.5%	+59.0%	+21.5pp
SSIM	0.9906	0.9960	+0.0054

关键：早期 β=0.003 强去噪压住噪声 → 中期 β=0.001 平衡 → 后期 β=0.0005 精细保留细节。x10 达到 RMSE=0.00076，已经接近 clean OS-SART x10 的 0.00025。

optimize #006 tv

aligned parameter stable at os-sart to check tv

对齐成功！几何统一后结果一致

几何参数统一

参数	ASTRA	TIGRE
DSO	1000	1000
总 source-detector	1500	1500
Voxel	各向同性 1.0mm	各向同性 1.0mm
Detector	各向同性 1.0mm	各向同性 1.0mm

最终对比表

算法	ASTRA	TIGRE
FDK	388ms, RMSE=0.00082	462ms, RMSE=0.00084 ← 对齐后一致！
OS-SART x10 (clean)	9147ms, RMSE=0.00020	9154ms, RMSE=0.00025 ← 速度一致
Noisy OS-SART best	3674ms, RMSE=0.00433	2315ms, RMSE=0.00186
TV-OS-SART best	4033ms, RMSE=0.00123	9868ms, RMSE=0.00114
TV 改善	+71.5% ✅	+38.6%

关键发现

几何对齐解决了 TIGRE FDK 问题: FDK RMSE 从 0.00605 → 0.00084 (ASTRA 0.00082)，几乎一致
TIGRE 正投影速度依旧慢: Ax 1430ms vs ASTRA FP3D 828ms (1.7x慢)
OS-SART 速度对齐后持平: ~9.1s 对 ~9.2s
TV-OS-SART: ASTRA 更快 (4.0s vs 9.9s) 且 TV 改善更大 (+71.5%)
TIGRE 优势: 噪声 OS-SART 本身就更好 (tigre blocksize=36 相当于10子集，比 ASTRA 20子集噪声稳定性好)

optimize #005 noise

统一体模 Model 4 — 公平对比

算法	ASTRA	TIGRE	对比
FDK	426ms, RMSE=0.00082	524ms, RMSE=0.00605	TIGRE FDK 质量差7.4x
SIRT3D x50	12634ms, RMSE=0.00024	— (无SIRT3D)	—
OS-SART x10	12340ms, RMSE=0.00020	15518ms, RMSE=0.00191	TIGRE: 1.26x慢, 质量差9.5x
TV-OS-SART x5	—	12174ms, RMSE=0.00213	TV改善+30.5%

关键问题: TIGRE 为什么慢？

瓶颈	测量值	根因
正投影 (Ax)	TIGRE 3094ms vs ASTRA 805ms (3.8x慢)	TIGRE CUDA kernel 不如 ASTRA 优化充分
FDK	TIGRE 524ms vs ASTRA 426ms (1.2x慢)	TIGRE FDK 用 `hann` 滤波不如 ASTRA FDK_CUDA
OS-SART	每轮~~1552ms vs ASTRA~~1234ms	blocksize=36 → 10子集, 每子集1次FP+BP
Python-C 边界开销	每次调用~0.5s	TIGRE 每次 alg 调用都要重建 CUDA 上下文

TIGRE FDK 为什么差 (RMSE 0.00605 vs 0.00082)?

体模范围: [0, 0.03646]
TIGRE FDK 的 SSIM 只有 0.6622 —— 说明:
  1. TIGRE 的 FDK 默认滤波/重采样与 ASTRA 不同
  2. TIGRE cone-beam 几何 (DSD=1536, DSO=1000) 放大比不同
  3. 缺少像 ASTRA FDK_CUDA 那样的体素驱动插值优化

TIGRE 现存的优化空间

可优化项	当前	可改进	预期效果
blocksize	36 (10子集)	60 (6子集)	速度+40%, 但收敛略降
正投影角度并行	串行	无法改(C层)	—
warm-start	已用	已最优	—
算法数量	FDK/OS-SART/TV	TIGRE 特有的 ASD-POCS/Bisection	需要 TIGRE 3.1.3

结论

方面	ASTRA	TIGRE
锥束 FDK 质量	✅ 优秀 (0.00082)	❌ 差 (0.00605) — 几何配置需调优
锥束 IR 速度	✅ 快 (SIRT3D子集)	❌ 慢 (原生OS-SART)
算法丰富度	⚠️ 只有FDK/SIRT/CGLS	✅ OS-SART/TV/ASD-POCS/Bisection
文档/研究支持	学术工具	CERN/医学物理方向

optimize #004 CBCT

OS-SART 用 SIRT3D 子集交替实现成功！ 🎉

最终锥束完整结果 (32×512×512, 360角度)

方法	耗时	RMSE	SSIM	比 FDK 改善
Pure FDK	408ms ⚡	0.00170	0.961	基线
FBP+SIRT3D x50	13957ms	0.00127	0.979	RMSE↓25%
FBP+OS-SART x10	8327ms 💎	0.00098 ✅	0.987 ✅	RMSE↓42%

OS-SART 核心优势：

比 SIRT 快 40%（8327ms vs 13957ms）
比 SIRT 精度高 23%（RMSE 0.00098 vs 0.00127）
比 FDK 精度高 42%（RMSE 0.00098 vs 0.00170）

ASTRA vs TIGRE (同体模):

指标               ASTRA        TIGRE
FDK RMSE         0.00170 ✅   0.00521
SIRT x50 RMSE    0.00127 ✅   0.00331
OS-SART RMSE     0.00098 ✅   0.00324

ASTRA 在锥束 SIRT 上精度全面优于 TIGRE，且 OS-SART 实现成功。不过目前 OS-SART 的速度优势主要体现在质量而非时间上——因为每子集创建/销毁 ASTRA 对象有开销。

现在你手上有 5 个脚本 覆盖了完整的对比维度：

2D平行束:  astra_hybrid.py (SIRT+SART+OS-SART, 10ms)
           tigre_hybrid.py (SIRT, RMSE最低)

3D锥束:    astra_cone_hybrid.py (SIRT+OS-SART, 精度最高 ⭐)
           tigre_cone_hybrid.py (SIRT+OS-SART, 唯一OS-SART原生)

optimize #003

OS-SART 运行成功！关键结果：

方法                耗时     RMSE     质量
────────────────────────────────────────────
FBP+SART x5          9ms    134.4    ≈FBP ⭐最快
FBP+OS-SART x2      51ms    133.0    略好于FBP ← 新方法
FBP+OS-SART x10    258ms    126.6    接近SIRT最优
FBP+SIRT x200      521ms    125.5    最优质量

OS-SART 验证了理论：

x1轮（20子步）：52ms 即达 RMSE=133.8 (≈FBP)
x10轮（200子步）：258ms 达 RMSE=126.6 — 比 SIRT x200 快 2x，质量几乎相同 (126.6 vs 125.5)
OS-SART 10轮耗时 258ms < SIRT 200轮耗时 521ms，速度提升 50%

完整收敛性对比：

SIRT  (全角同时) : 慢而稳, 200次→125.5
SART  (逐角)     : 极快但到 FBP 质量停滞, 20次→133.8
OS-SART (20子集) : 折衷最佳, 10轮→126.6 ⭐

optimize #002

完成。astra_hybrid.py 现在只保留混合方法：

A. Pure FBP             24ms  RMSE=134.6  基线
B. FBP+SIRT x10         46ms  RMSE=134.0  高质量（可加正则化继续优化）
C. FBP+SART x5          10ms  RMSE=134.4  产品级首选 ⭐（4x快于FBP同质量）

对比表：

     FBP+SIRT    FBP+SART   速度比
x10  134.0/46ms  134.3/14ms  3.2x
x20  133.4/71ms  133.8/17ms  4.1x

结论：

FBP+SART x5 = 10ms, 与 FBP 质量相同 → 产品最优选择
FBP+SIRT x10 = 46ms, 质量略好且支持正则化 → 科研/高端场景

optimize #001

优化实施总结

文件	改动
`astra_hybrid.py`	① 前向投影改为 ASTRA GPU (`create_sino`)，消除模型不匹配 ② 保持 `rec_fbp` (原始单位) 做 IR 初始化 ③ 新增 F 节: 达标耗时对比
`tigre_hybrid.py`	① 新增 F 节: 达标耗时对比 ② 迭代次数扩展至 [5,10,20,30,50] / [10,20,50,100,200] ③ 修复缩进 / 输出文件名

最终对比结果

两个脚本都跑完了。来看看完整对比：

速度 vs 质量总表 (优化后)

算法	ASTRA 耗时	ASTRA RMSE	TIGRE 耗时	TIGRE RMSE
FBP	23ms ⚡	134.61	40ms	131.19
Pure CGLS x50	140ms ⚡	112.28	3269ms	120.77
FBP+CGLS x50	143ms ⚡	110.73	3321ms	92.00 ✅
Pure SIRT x200	507ms ⚡	200.03	8472ms	195.59
FBP+SIRT x200	513ms ⚡	125.45	8535ms	110.98 ✅

达标耗时对比 (混合法的真正优势)

对比项	ASTRA	TIGRE
CGLS: 达到 RMSE~120 所需时间	Pure: 140ms / Hybrid: 143ms (≈相同)	Pure: 3269ms / Hybrid: 1701ms (↓48%)
SIRT: 达到 RMSE~200 所需时间	Pure: 507ms / Hybrid: 34ms (↓93%!)	Pure: 8472ms / Hybrid: 845ms (↓90%!)
SIRT: 混合 x10 质量 vs 纯 x200	134.0 (更好) vs 200.0	175.8 (更好) vs 195.6

关键发现

flowchart TD
    subgraph ASTRA_优势["ASTRA 优势"]
        A1["速度碾压<br>CGLS: 140ms vs 3269ms<br>SIRT: 507ms vs 8472ms"]
        A2["FBP+SIRT x10 性价比极高<br>34ms 达 RMSE=134<br>比纯 SIRT x200 快 15x 且质量更好"]
    end
    
    subgraph TIGRE_优势["TIGRE 优势"]
        T1["最高精度天花板<br>FBP+CGLS x50: RMSE=92<br>比 ASTRA 好 17%"]
        T2["CGLS 混合有 48% 时间节省<br>(ASTRA CGLS 混合无时间节省)"]
    end

    subgraph 共同点["共同点"]
        C1["SIRT 混合时间节省巨大: ~90%"]
        C2["FBP 初始化对 SIRT 收益远大于 CGLS"]
    end

为什么 ASTRA CGLS 混合没有时间节省？

ASTRA 的 CGLS x5 从 FBP 起步：RMSE=129.33（已接近最优 110.73）纯 CGLS x5 从零起步：RMSE=381.62（差得远）

但到了 x50 两者都收敛到 110-112。因为：

ASTRA 算子匹配后 CGLS 收敛极快（每步仅 ~2-3ms），纯 CGLS 从零起步也能在 50 次内充分收敛
混合的收益在迭代早期体现（FBP+CGLS x5 vs 纯 CGLS x5: 129 vs 381），但 ASTRA 每步太快（~2ms），这点收益不如 TIGRE 明显（每步 ~60ms）

最终选择指南

flowchart LR
    Q["你的需求?"] --> S["< 30ms"]
    Q --> B["30-200ms"]
    Q --> H["200-500ms"]
    Q --> P["> 1s 可接受"]
    
    S --> S1["ASTRA FBP<br>23ms, RMSE=135"]
    B --> B1["ASTRA FBP+CGLS x10<br>35ms, RMSE=122"]
    H --> H1["ASTRA FBP+SIRT x100<br>252ms, RMSE=129"]
    P --> P1["TIGRE FBP+CGLS x50<br>3321ms, RMSE=92 ⭐"]

结果已保存至：

img_out/astra_hybrid.png + astra_hybrid_summary.json
img_out/tigre_hybrid.png + tigre_hybrid_summary.json

FilesExpand file tree

optimize.md

Latest commit

History

optimize.md

File metadata and controls

optimize

optimize #010

修正后的公平对比数据（180°、hann、有噪声）

ASTRA 工业应用

TIGRE 工业应用

场景化取舍

optimize #009

optimize #008

optimize #007 tv beta

optimize #006 tv

几何参数统一

最终对比表

关键发现

optimize #005 noise

统一体模 Model 4 — 公平对比

关键问题: TIGRE 为什么慢？

TIGRE FDK 为什么差 (RMSE 0.00605 vs 0.00082)?

TIGRE 现存的优化空间

结论

optimize #004 CBCT

最终锥束完整结果 (32×512×512, 360角度)

optimize #003

optimize #002

optimize #001

最终对比结果

速度 vs 质量总表 (优化后)

达标耗时对比 (混合法的真正优势)

关键发现

为什么 ASTRA CGLS 混合没有时间节省？

最终选择指南