激发荧光分子断层成像(Fluorescence Molecular Tomography,FMT)是一种目前最为成功、应用比较多的光学分子影像技术,它借助具备靶向性的荧光分子探针标记特定分子或细胞来观测细胞与分子水平在体的生理及病理变化。FMT在检测灵敏度、成像深度和空间分辨率上具备天然优势,并且在分子探针研究方面的快速进展,使其在肿瘤的早期检测中具有巨大的应用潜力。然而,传统FMT重建技术中存在物理模型描述不准确问题以及逆向求解中不适定性问题,从而不易获得稳定的、优良的成像质量。因此,FMT成像技术有很多值得进一步研究和改进的地方。本文突破了传统FMT繁琐的重建思路,提出了两种重建网络模型,引入深度学习技术充分利用大量不同的案例进行学习来求解FMT重建问题。该方法不需要明确定义FMT重建的前向和逆向问题,也不需要光学参数等先验知识;并且,与传统的FMT重建算法相比,该方法在重建精度和运算速度上都有很大的优势。其主要研究内容如下:1、提出了一种端到端的基于三维卷积的深度编码器-解码器(3D-En-Decoder)的重建方法。该方法直接建立从内部荧光分布到边界荧光信号分布即输入到输出的非线性映射关系。通过编码器提取输入数据中与类标签高度相关的重要信息,去除冗余内容,得到投影图像稀疏表示,然后通过解码器将编码器得到的投影数据的稀疏特征表示输入到三维解码器,使用一系列的反卷积层来预测三维的体素输出。通过基于内容的损失函数来学习重建出的图像与真实荧光分布图之间的差异,从而建立精确的逆向问题表示函数。2、提出了一种基于生成对抗学习思想和跳跃连接机制的生成器为3D U-net、判别器为Res Net的三维FMT重建算法。该方法在定义损失函数时使用了启发式的学习方法,使得重建出的图像不仅仅关注与真实图像之间体素级的差异,还关注图像中某一区域之间的不同以及体素与体素之间的关系。另外,在生成器和判别器网络中均增加了跳跃连接,将输入数据作为先验信息增加到网络中,解决了网络层数增多导致的梯度消失问题,有助于梯度的反向传播,加快了网络的训练进程,并且可以传递更多的图像细节信息增强了特征图的影响,从而更好的重建出图像。该方法利用生成对抗网络强大的表征能力和跳跃连接机制进一步来优化和改善重建细节、提高重建精度、增强重建鲁棒性。