自计算机断层扫描(Computed Tomography,CT)设备问世以来,因其扫描快、费用低等优点,而被广泛应用于临床医学诊断领域。随着人民健康意识的增强,人们普遍希望降低CT辐射影响,但辐射剂量的降低,会造成图像质量的严重下降,进而产生误诊现象。针对低剂量CT图像去噪,传统方法通常会导致CT图像边缘模糊、细节丢失等问题的产生,不易实现噪声去除与细节信息保留相平衡的目的。由于深度卷积神经网络在物体识别、图像分类等应用上的成功,以及其强大的特征提取能力,因此,本论文将其应用于低剂量CT图像降噪,把低剂量CT图像的降噪过程视为一个复杂的非线性问题的拟合过程,旨在提高低剂量CT图像质量。本文的主要研究内容如下:(1)提出了基于双残差的卷积神经网络的医学图像去噪方法。网络结构主要由类Inception结构和双残差模块组成,以低剂量CT图像作为输入、正常剂量CT图像作为标签,通过该网络结构,经过反复训练,拟合二者间的复杂关系,网络训练完成后,即可得到去噪模型,预测低剂量CT图像的降噪图像。在网络结构设计中,首先,利用带有3种不同尺寸的卷积核的类Inception结构提取输入图像的特征信息,并融合不同特征信息输出到双残差模块;然后,利用双残差模块,进一步提取图像的特征信息;最后,采用1组3?3的卷积核,改变图像通道数,用于输出预测图像。该方法相较传统方法而言,在整幅图像上,PSNR至少提高1.03d B,SSIM至少提高0.0182。(2)提出了基于双注意力的卷积神经网络的医学图像去噪方法。以往的基于神经网络的去噪模型,往往不关注图像在通道、空间两个维度的不同特性,直接对图像进行卷积操作,为此设计了基于双注意力的网络结构。在网络结构设计中,首先,利用类Inception结构提取图像特征信息;然后,通过双注意力模块(空间注意力模块和通道注意力模块)进一步提取图像特征信息,其中的空间注意力模块选择性地聚集每个位置的特征信息,通道注意模块选择性地强调每个通道的特征信息,再将这两个注意模块的输出相加,改进特征信息表示;最后,采用1组3?3的卷积核,改变图像通道数,用于输出预测图像。同传统方法相比,就整幅图像而言,该方法在PSNR上至少提升1.38d B,在SSIM上至少提升0.0069。本文在仿真数据集上分别进行实验,通过实验对比发现,本文提出的两个方法不仅在噪声抑制方面表现较好,而且在细节保留方面表现出较大优势。在降低辐射影响的同时,本文所提出的方法具有良好的实用性,能较大程度上提高图像的观看质量,对于医学图像的临床应用和后续医疗诊断具有重大意义。