PYRO-NN更新版：面向可微CT算子的数据驱动Python库
机器学习
2025-11-12 v1
摘要
深度学习为X射线计算机断层扫描（CT）重建带来了显著进展，为现代成像技术所面临的挑战提供了解决方案。这些发展受益于将经典重建技术与数据驱动方法相结合的方法。可微算子在这一集成中发挥着关键作用，使其能够实现端到端优化并在神经网络中纳入物理建模。本文介绍了PYRO-NN的最新版本，这是一个用于可微CT重建的Python库。该更新框架扩展了对PyTorch的兼容性，并引入了针对平行、散热和锥束几何的高效投影和反投影操作的本地CUDA内核支持。此外，它包括用于模拟成像伪影、建模任意获取轨迹以及通过高级Python API创建灵活的端到端可训练管道的工具。代码可在 https://github.com/csyben/PYRO-NN 获取。
引用
@article{arxiv.2511.08427,
title = {An update to PYRO-NN: A Python Library for Differentiable CT Operators},
author = {Linda-Sophie Schneider and Yipeng Sun and Chengze Ye and Markus Michen and Andreas Maier},
journal= {arXiv preprint arXiv:2511.08427},
year = {2025}
}