低剂量计算机断层成像(Computed Tomography,CT)的主要目标是在低剂量扫描条件下能够达到正常剂量CT的成像质量。采用现有低剂量CT图像处理方法会引起边界模糊,对比度降低等问题,存在很大局限性。卷积神经网络通过构建深层网络能够对复杂问题进行非线性建模,有效提取图像的整体特征和边界轮廓等局部特征,近几年在计算机视觉领域取得突破性进展。因此,本课题基于卷积神经网络进行低剂量CT处理的研究,旨在提高低剂量CT成像质量,在对医疗诊断治疗提供有力辅助的同时,减少对被扫描者的辐射危害。本课题分为以下两个部分:以卷积神经网络为基础对低剂量投影数据进行滤波,去除大部分噪声,然后对滤波后的投影数据采用滤波反投影(Filtered back-projection,FBP)重建得到高质量的CT图像。该算法的主要思路是:低剂量和高剂量扫描条件下的投影数据经过指数变换和Anscombe变换,得到的含高斯分布噪声的低剂量光子数和高剂量光子数作为训练数据,设计二维残差卷积网络训练低剂量光子数和其噪声分布之间的端到端复杂映射关系。并将网络模型推广到三维以更好地利用被扫描人体从不同角度投影的数据信息。实验结果表明,二维滤波模型能够有效地去除噪声,但会引起图像模糊,三维模型能够在二维基础上提升去噪效果,且更好地保持图像对比度。基于卷积神经网络对含有大量噪声伪影的低剂量CT图像进行后处理,提高其成像质量。该算法的主要思路是以低剂量和高剂量CT图像作为训练数据,设计二维卷积网络对低剂量CT图像和其包含的噪声进行图像到图像的端到端回归建模,并探索影响模型性能的因素。实验结果表明,使用残差网络结构,适当增加网络深度、宽度,使用dropout,合理设计损失函数以及集成不同模型测试结果均会提升网络性能。为综合利用被扫描个体在三维立体的结构信息,本文使用了三维网络模型学习三维CT图像块中包含的噪声分布。对二维和三维低剂量CT图像后处理网络模型处理结果进行主观和定量客观质量评价。三维模型能够根据组织的三维结构连续性,提取人体器官组织结构和噪声间的差异性特征,达到更好的去噪效果,且能够更完整地保留图像中血管等精细结构。