随着人工智能等信息技术的飞速发展,人类已迈入了智慧医疗时代。以深度学习为代表的机器学习算法也开始广泛应用在医学成像的各个领域。X射线计算机断层成像技术(X-CT),作为智慧医疗的重要组成内容,在医学临床诊断中发挥着重要作用。它利用X射线对不同物质的衰减差异,可以在不破坏物体本身的情况下,通过断层图像呈现出其内部结构和细节。然而,传统X-CT由于采用积分探测方式获取X光子信息,将会在一定程度上造成衰减特性缺失,难以满足精准诊疗的需求。于是,X射线能谱CT成像技术应运而生。X射线能谱CT成像得益于X射线能量分辨光子计数探测技术的出现与发展。它是通过光子计数探测器来获取被检测对象在不同能量区间内X射线衰减特性,依据这种差异,不仅可以提高衰减系数相近材料的成像对比度,而且还能对扫描对象进行定性及定量分析。其中,基于X射线能谱特性的物质分解,已成为能谱CT成像技术的一个重要研究方向。本论文依托科技部国家重点研发计划(No.2016YFC0104609)、国家自然科学青年基金(No.61401049)和重庆市基础科学与前沿技术研究专项项目(No.cstc2016jcyjA0473)等科研课题,着眼于X射线能谱CT成像技术,重点开展了生物医学材料分解研究,在改进传统投影分解方法的基础上,还结合了深度学习算法对图像域的物质分解加以完善。论文的主要研究内容包括:(1)研究分析了X射线CT成像原理及系统、重建方法与技术,阐述了能谱CT物质分解的基本理论和分解模型。针对X射线能谱CT投影数据包含较多噪声的特点,选择了基于压缩感知理论的Split-Bregman算法进行能谱CT图像重建,这为后续开展能谱CT物质分解研究创造了重要的前提条件。(2)针对投影域的双效应分解过程涉及计算复杂的投影积分方程的问题,研究了一种基于等效单色能量的双能CT投影分解方法。首先,从双能CT重建图像中计算得到某一特定材料区域的平均衰减系数,借助于美国国家标准技术局(NIST)提供的X射线衰减数据库拟合的标准衰减曲线,获得高低能谱对应的等效单色能量,进而对积分方程进行数学变形,以此将投影分解过程简化为一个线性求解问题。仿真和实验结果验证了该方法的有效性。(3)针对图像域的基材料分解过程中极易受到真实数据噪声的影响而达不到理想的分解效果的问题,研究了一种基于深度学习的能谱CT多物质分解方法。由于X射线能谱CT图像数据量相对较少,且为单通道的灰度图像的特点,选择了FC-DenseNets作为训练网络,并利用重建的能谱CT图像构造深度学习数据集。实验结果表明,对于传统的基材料分解方法无法准确区分衰减相似的组分及不能应对高噪声情况的问题,深度学习方法展现出了巨大的优势。FC-DenseNets分解网络不但实现了对小老鼠骨骼、肺器官、软组织区域的精确识别和区分,而且在图像噪声较大时也能达到理想的分解结果。