PyEPRI：兼容CPU与GPU的电子顺磁共振成像开源工具包开发与应用

法国研究团队开发了开源Python工具包PyEPRI，解决了电子顺磁共振成像(EPR/EPRI)中投影/反投影运算及图像重建的算法优化问题。该工具集成Numpy/PyTorch/Cupy库，支持CPU/GPU双端计算，提供总变分(TV)重建等高级功能，其模块化设计既降低初学者门槛，又为开发者提供标准化接口。实验显示在NVIDIA RTX 4000 GPU上运算效率显著提升，为生物医学、电池材料等领域EPR研究提供高效解决方案。

　　

电子顺磁共振成像（Electron Paramagnetic Resonance Imaging, EPRI）作为检测未配对电子分布的重要技术，在生物医学、材料科学等领域具有独特价值。然而传统EPR图像重建存在算法效率低、硬件适配性差等瓶颈，尤其面对三维数据时计算耗时成为研究障碍。法国国家科学研究中心（CNRS）团队开发的PyEPRI工具包，通过创新性整合多平台计算资源，为这一领域带来突破性解决方案。

研究团队采用Python生态核心科学计算库（NumPy、PyTorch、CuPy）构建统一后端系统，实现四大计算模式：Numpy(CPU)、Torch(CPU)、Cupy(GPU)、Torch(GPU)。关键技术包含：1) 基于标准数据类型的模块化架构设计；2) 投影/反投影算子优化；3) 总变分(Total Variation, TV)正则化重建算法实现。在Dell Precision 7680工作站（Intel Core i9-13950HX/NVIDIA RTX 4000 Ada）的测试中，GPU后端展现出显著加速优势。

Backend system for CPU & GPU兼容性
系统通过动态后端切换机制，使同一代码可分别在CPU/GPU环境执行。PyTorch后端特别支持自动微分，为机器学习应用铺路。

CPU & GPU基准测试
对比传统CPU实现，GPU加速使三维重建效率提升达数量级，12GB显存可处理大规模体数据。

结论与展望
PyEPRI 1.0.4版本首次实现EPRI全流程开源化，其文档包含数学推导与可复现案例。未来计划扩展：1) 非均匀采样重建；2) 深度学习集成；3) 多GPU并行支持。

该研究通过标准化工具包解决EPRI领域方法论碎片化问题，其跨平台特性显著降低技术门槛。正如论文发表于《Journal of Magnetic Resonance》所示，这项工作不仅推动EPRI技术民主化，更为交叉学科研究建立可扩展的计算框架。作者Rémy Abergel等特别强调工具的开放协作性，鼓励通过GitHub社区持续优化。