计算机断层扫描(CT)成像自问世以来便受到极大的关注,已经成为医学诊断中不可或缺的辅助手段。CT图像采集过程中采用较高剂量X射线会增加患者的潜在患癌风险,因此目前医学临床诊断大多采用低剂量CT成像技术。然而,降低辐射剂量会给CT图像引入大量噪声和伪影,进而导致图像质量下降。在保持CT图像组织结构和病理信息完整的基础上,尽可能移除低剂量CT图像上的噪声和伪影,具有重要的理论研究意义和临床应用价值。传统图像处理降噪算法在低剂量CT图像降噪领域表现一般,降噪后会造成图像模糊以及纹理信息丢失等一系列问题。近年来,基于深度学习的生成对抗网络(GAN)在CT图像降噪中取得了一定进展,成为本领域新的研究热点。本文主要聚焦到生成对抗网络用于CT图像降噪的网络框架设计问题,主要研究工作如下:(1)提出一种基于GAN的高频敏感降噪网络。考虑到噪声和伪影主要存在于CT图像的高频域,且患者病理信息的细节也在高频域有所体现,因此,在去除噪声和伪影时,一些有用的细节信息可能会丢失或损坏。为了提高网络对高频信息的处理能力,将LDCT图像进行分频处理,专门设计了高频域U-Net通道来处理高频分量,并利用NDCT的高频分量对该通道进行有监督训练。此外,在判别器中采用Inception模块来提取图像的多尺度特征,来提升判别器的判别能力,从而进一步约束生成器输出的图像质量。实验结果显示,本文提出的高频敏感降噪网络可以提高网络对高频信息的处理能力,去除低剂量CT图像中伪影和噪声的同时,对高频有用细节保持了较高的保真度。(2)提出一种多路卷积U-Net降噪网络。图像降噪问题是从噪声图像中消除未知噪声。为了设计一个能很好的处理各种不同低剂量CT图像的降噪模型,首先,设计了一个编解码结构的噪声水平估计子网,以提高网络对噪声存在明显差异的不同剂量LDCT图像的处理能力;其次,将主干降噪网络设计为能够通过博弈对抗实现内部自我优化的GAN框架,且生成器设计为多路编码U-Net结构,以保障LDCT降噪图像能够满足医学诊断需求;最后,通过生成器与判别器的对抗训练,来进一步保障LDCT图像降噪网络的性能。实验结果表明,与目前流行算法相比,本文降噪网络表现优异,能够在保留LDCT图像原有重要生理信息的基础上,取得良好的降噪效果。