X射线计算机断层成像技术在临床上是最为常用的诊断手段,能够为诊治医生提供的清楚可见的解剖结构图像。但是X射线会带有较大伤害的电离辐射,从而危害患者的健康。而在锥形束CT(Computed Tomography)扫描中,病人所承受的辐射量可能达到常规CT扫描的四倍。研究人员常用的解决办法是减少CT扫描时的旋转角度,但是造成了缺失角度所对应的投影数据的丢失,重建出的CT图像质量大幅下降,达不到临床诊断的标准。所以如何在获得CT投影数据不完整情况下重建出清晰可见、达到医生诊断的CT图像是一项具有意义的生物医学研究。为了提高有限角度锥形束投影数据的CT重建图像质量,本文提出了基于上下文编码生成对抗性网络的有限角度CBCT(Cone Beam Computed Tomography)图像重建算法。该算法处理流程包括数据预处理、训练阶段和测试阶段。由于本文使用的上下文编码生成对抗性网络只能处理二维数据,所以需要数据预处理阶段将CBCT三维投影数据转化为一系列二维数据,作为训练阶段的输入数据。训练阶段采用生成对抗性网络结构以生成缺失CT投影数据。其中,生成器网络结构类似于自动编码器,包括编码器和解码器两部分。所谓的自动编码器网络是由多层卷积神经网络组成的。编码器通过CNN(Convolutional Neural Network)的卷积过程来解析缺失的二维数据的图像特征表达,再由解码器预测出二维数据的缺失结构。然后利用辨别网络计算出一个概率,即生成网络预测出的缺失二维数据是真实数据的可能性。训练好的生成网络估计出新的经过预处理二维数据的缺失部分,再将补全后的各个二维数据按顺序堆叠,即可获得完整的CBCT三维投影数据。最后将利用FDK(Feldkamp)算法从补全的CBCT三维投影数据中重建出CT图像。实验结果表明,本文方法能够在三维投影数据缺失的情况下有效提高CBCT图像重建质量。其次,为了提高截断投影数据的CT图像重建质量,本文提出了基于上下文编码生成对抗性网络的二维截断投影数据CT图像重建算法。该算法分为训练阶段和测试阶段。在训练阶段,在生成网络中输入所获得的二维截断投影数据,预测得到缺失部分的二维投影数据作为生成网络的输出。测试阶段在完成训练的生成网络中输入新的截断投影数据,缺失的二维投影数据就是生成网络的输出,在把不完整的投影数据拼接一起得到完整的结果,最后将补全的投影数据通过FBP(Filtered Back Projection)算法重建出相应的CT图像。实验结果表明,该算法能在二维投影数据被截断的情况下有效提高CT图像重建质量。本文利用上下文编码生成对抗性网络在不完全投影数据的情况下有效的保证了CT重建图像质量,达到了在减少X射线剂量情况下获得符合临床诊断要求的CT图像的目的。