Antecedentes: La Imagenología por Partículas Magnéticas (MPI) es una técnica emergente de imagenología molecular. Sin embargo, dado que la reconstrucción en el espacio X ignora las propiedades del sistema, puede llevar a un desenfoque de la imagen reconstruida, lo que plantea desafíos para una cuantificación precisa. Para abordar este problema, proponemos el uso de aprendizaje profundo para eliminar los artefactos borrosos; (2) Métodos: Nuestra arquitectura de red consiste en una combinación de Red Neuronal Convolucional (CNN) y Transformer. La CNN utiliza capas convolucionales para extraer automáticamente características locales a nivel de píxel y reduce el tamaño de los mapas de características a través de capas de agrupamiento, capturando efectivamente la información local dentro de las imágenes. El módulo Transformer es responsable de extraer características contextuales de las imágenes y capturar eficientemente dependencias de largo alcance, lo que permite una modelización más efectiva de las características globales en las imágenes. Al combinar las características extraídas por la CNN y el Transformer, capturamos simultáneamente tanto características globales como locales, mejorando así la calidad de las imágenes reconstruidas; (3) Resultados: Los resultados experimentales demuestran que la red elimina efectivamente los artefactos borrosos de las imágenes y exhibe alta precisión en la cuantificación precisa de tumores. El método propuesto muestra un rendimiento superior en comparación con los métodos de última generación; (4) Conclusiones: Esto tiene implicaciones significativas para la mejora de la calidad de imagen y la aplicación clínica de la tecnología MPI.