磁粒子成像（Magnetic Particle Image, MPI）是一种新兴的医学成像技术，可用于示踪磁性纳米粒子（Magnetic Nanoparticles, MNPs）的分布，具有高灵敏度、无成像深度限制、时间分辨率高、可线性定量、高对比度以及无辐射等诸多优点，已经被证实可以应用于细胞示踪、血管造影、磁热治疗、癌症检测等诸多医学领域。MPI重建是将采集到的MPI信号可视化为MNPs分布图像，重建图像直接影响着对MPI成像结果的判读，因此重建质量至关重要。传统的基于系统矩阵的MPI重建算法主要采用迭代求解算法，这些算法依赖于人工设计的正则项，重建结果容易出现噪声抑制不足、结构不连续、阶梯效应等问题，这些问题影响了MPI重建结果的精度，并且传统重建算法中参数的选择也会影响MPI重建的质量和效率。

针对上述传统算法中存在的问题，本文开展了基于域变换网络的MPI端到端重建（Domain-Transformation Network for End-to-end Reconstruction, DERnet）算法的研究。通过在数据集构造、模型设计、训练策略等方面的优化，本文将深度学习网络扩展到了真实MPI数据的端到端重建领域，提升了重建质量和效率。

本文主要工作和成果归纳如下：

1、为提高算法在真实MPI仿体数据上的重建性能，本文优化了数据集构建方案和模型训练策略。在数据集构建方面，本文构建了用于DERnet模型训练的仿真数据集。本文数据仿真方案结合了系统矩阵中的信息，以减少仿真数据和真实数据之间的差异，并且对MNPs分布图像进行处理，以减少模型对与重建任务无关特征的学习。训练策略方面，使用比例因子改进损失函数，提升模型的泛化能力，消融实验的结果表明，本文提出的训练策略能提升模型在真实MPI仿体数据上的重建质量。通过改进数据集构建方案和训练策略，仿真数据训练的DERnet模型能够完成从真实MPI仿体信号到MNPs图像的域变换，并且重建结果优于对比算法。

2、针对传统方案中出现的噪声抑制不足、结构不连续、阶梯效应等问题，本文提出了DERnet模型，实现了MPI端到端重建。该网络架构的设计借鉴了传统MPI重建方案中的数据一致性项和正则化项，在数据驱动下，该模型实现了MPI信号到MNPs分布图像的域变换，避免人工设计的正则项对重建结果的影响，提高重建质量和效率。参考传统重建算法的数据一致项，本文设计了DERnet模型中的特征映射子模块，以提取MPI信号中的有效信息，并将其转换为空间特征，完成从信号到图像的域变换。参考传统重建算法的正则项，本文设计了DERnet中的图像后处理子模块，从空间特征中充分发掘图像像素间的相互关系，以提高重建质量。图像输出子模块对各子模块的输出特征进行融合，完成MNPs分布图像的预测。在重建质量方面，相较于代数重建技术和ADMM系列算法等传统重建方案，DERnet重建结果缓解了噪声抑制不足、结构不连续、阶梯效应等问题，相较于深度图像先验、ADMM-Net等深度学习重建方案，DERnet重建结果在归一化均方误差、结构相似度、峰值信噪比等方面也有着明显的性能优势，表现出良好的噪声鲁棒性。在重建效率方面，DERnet模型重建速度优于其他重建方法，并且训练后的DERnet模型无需参数调整，避免了传统重建算法和迭代式深度学习方案中参数选择的问题，进一步提高重建效率。