稀疏投影角度CT重建图像主要是指在CT重建时,使用较少角度数量的投影来进行重建,这样可以减少CT扫描时间,进而有助于减少病人所受辐射剂量,但其带来的负面影响是重建图像中有严重的条状伪影。现有基于解析重建的后处理办法在处理此类图像时,会出现边界模糊以及条状伪影无法精确预测的问题,并且解析重建本身缺乏对噪声的抑制;而基于迭代重建的办法重建时间过长的问题也很难解决。卷积神经网络因其强大的非线性建模能力,能够有效的提取图像不同层次的特征。近几年卷积神经网络在图像处理领域表现突出,为去除稀疏角度CT图像的伪影研究提供了崭新的思路。因此本课题使用卷积神经网络来研究对于稀疏角度CT解析重建图像中的伪影噪声的抑制和消除,其目的在于尽可能通过减少CT重建的投影角度数目来减少CT扫描剂量,减少病人所受CT扫描产生的辐射的同时,提高其成像质量,为医疗诊断提供有效辅助。在总体上,本课题可以按如下两部分划分:本课题设计了针对条状伪影的卷积神经网络来对稀疏角度CT图像进行后处理,该算法设计从含噪声伪影图像到其中所含噪声伪影的映射,在设计网络的同时探索了多尺度U型处理结构,残差模块,训练数据分块大小,网络的深度对于网络性能的影响。最终实验结果表明,使用U型结构及残差模块能够提升网络表现,提高分块大小也可以使得训练更加稳定,分块过小会破坏伪影结构,使模型无法收敛,适当的增加深度能可以在一定程度上提升网络的性能。在充分考虑了CT数据中血管等组织结构的三维相关性之后,本课题将二维去伪影网络模型扩展到了三维,最终实验证明三维模型能够更好的区分细节,进一步的提升最终去除伪影及噪声效果。解析重建缺乏对噪声的抑制,因此以完整角度解析重建结果为参照数据所训练出的模型,其最终处理结果中必然也会带有一定的噪声及伪影。针对此问题,本课题根据噪声及伪影的特性,将最终结果图像的全变分先验信息作正则化后添加在模型的损失函数中,以此进一步抑制伪影,平滑噪声。本课题设计的正则化项共有两种:L1和L2正则化,最终的实验结果证明添加L1正则化项的模型,能够在有效进一步抑制伪影,平滑噪声的同时更好的保护图像的细节。