ASTRA Toolbox：GPU 断层成像工具箱

4次阅读

获取下载链

微信关注「软件教程管家」公众号，回复 astra-toolbox

ASTRA Toolbox（astra-toolbox）是给断层成像研究者准备的工具箱：二维、三维的投影与重建算法都已实现好，研究者不用从 CUDA 底层写起，直接在 Python 或 MATLAB 里调用投影原语、组合自己的重建流程。它的价值不在“开箱出图”，而在把最耗时的投影计算交给 GPU，把算法设计的自由度留给研究者；代价是运行环境相当挑剔，显卡、CUDA、Python、MATLAB 版本要成套对上，装之前先把兼容清单核对一遍。

30 秒速读

astra-toolbox 是面向 Python 与 MATLAB 的 GPU 断层成像工具箱，底层用 C++ 实现，提供二维、三维几何下的 GPU 加速前向投影与反向投影原语，以及 FBP、SIRT、SART、CGLS 等重建算法。据仓库说明，它支持二维平行束、扇束与三维平行束、锥束几何，源和探测器位置可以灵活配置。安装路径覆盖 conda、conda-forge 与 Linux pip，Windows 提供二进制分发。最大的前置条件是 GPU 加速依赖 CUDA 与兼容的 NVIDIA 环境，没有独显的机器只能用功能受限的 CPU-only 构建。

项目信息

项目	内容
项目名称	ASTRA Toolbox（astra-toolbox）
实现语言	C++ 底层，Python 与 MATLAB 接口
运行环境	Python 3.9 至 3.13（64 位），CUDA 环境，MATLAB R2012a 或更高版本（用 MATLAB 接口时）
平台	多平台
许可证	以仓库 LICENSE 文件为准
分发方式	conda、conda-forge、Linux pip、Windows 二进制包、源码构建
适用场景	二维与三维断层成像重建、投影实验、自定义成像算法开发

选型对照：直接用现成工具箱，还是自己写投影代码

结论先行：需要在 Python 或 MATLAB 里灵活配置几何、调用投影原语做算法研究时，选 astra-toolbox；只是跑固定流程出重建图、且没有 GPU 时，先评估现成成像软件或 CPU-only 构建是否够用。

维度	ASTRA Toolbox	自己写 CUDA 投影代码	现成成像软件
上手成本	中等，装好环境后按示例调用即可	高，投影、几何、优化全要自己写	低，界面点选出图
几何灵活性	高，平行束、扇束、锥束可配	完全自由，但开发量大	低，只支持软件预设的几何
算法自由度	高，可在投影原语上组合自定义算法	完全自由	低，只能用内置算法
硬件要求	需要 CUDA 兼容显卡做 GPU 加速	同样依赖显卡	多数可在 CPU 上跑
适用阶段	研究与算法验证	有特殊性能需求时	固定流程的生产出图

上手步骤

先确认硬件：有没有兼容 CUDA 的 NVIDIA 显卡、驱动与 CUDA 工具包版本是否在支持范围，没有 GPU 的机器先接受 CPU-only 构建只能跑二维算法的现实。
选定语言路线：Python 用户准备 64 位 Python 3.9 至 3.13 环境，MATLAB 用户确认版本在 R2012a 或更高版本，并核对编译器兼容性。
按系统选安装方式：Python 优先走 conda 或 conda-forge，Linux 也可用 pip，Windows 用官方二进制包或 wheel，源码构建只在需要定制时再走。
Windows 用户额外装好 Microsoft Visual Studio 2017 运行库，缺了它二进制包可能直接无法加载，报错信息还不一定指向运行库。
装完先跑 samples 目录里的示例：做一次二维重建，再试一次三维几何的投影与反投影，确认 GPU 加速生效、结果数值合理。
按自己的采集几何配置源与探测器位置，选一种内置算法（FBP、SIRT、SART 或 CGLS）跑通全流程，再把投影原语抽出来组合自己的算法。
把 Python、CUDA、编译器与 MATLAB 的版本组合记下来存档，升级其中任何一项前，先在副本环境里重跑示例回归。

核心能力

GPU 加速的前向投影与反向投影原语，可直接从 Python 和 MATLAB 调用，是组合自定义算法的底层能力。
二维平行束、扇束与三维平行束、锥束几何全覆盖，源与探测器位置灵活配置。
内置 FBP、SIRT、SART、CGLS 等二维与三维重建算法，覆盖基础断层成像实验需求。
Python 与 MATLAB 双接口，并支持构建 Octave 接口，便于接入不同的科学计算工作流。
示例代码位于 samples 目录，另有在线文档入口，评估阶段可以先照着示例跑再决定是否深入。

注意事项与边界

GPU 是硬依赖。没有 CUDA 环境时不要指望 GPU 加速，conda-forge 的 CPU-only 构建仅支持二维算法，三维重建必须有 GPU，没有 GPU 的三维需求要换方案。
Linux pip 包的平台限制很具体：只提供 Linux 构建，且依赖单一的相对较新的 CUDA 工具包版本，系统 CUDA 版本对不上时安装会失败或运行时报错。
Windows 的坑在运行库与 MATLAB 兼容性上。二进制部署需要 Microsoft Visual Studio 2017 运行库，MATLAB 接口还要单独核对 MATLAB 与编译器版本，两个都要在装前确认。
性能与硬件兼容矩阵不要靠猜。据仓库说明，公开摘要没有完整列出性能基准与硬件兼容矩阵，正式立项前要结合文档或源码确认目标显卡与数据规模是否在支持范围。
版本组合要成套锁定。Python、CUDA、编译器、MATLAB 任何一项升级都可能破坏接口，长期使用的团队要保留安装环境配置与示例回归测试，升级前逐项验证。