X射线计算机断层成像(Computed Tomography,CT)的广泛应用,使低剂量CT成为临床应用研究的主要方向。但是,减少CT中的辐射剂量会显著增加图像中的噪声和伪影,这会明显降低临床放射科医生诊断的准确率。近些年广泛应用的低剂量CT处理方法主要包括投影域前处理技术、迭代重建技术、图像后处理技术和深度学习方法,其主要目标是在低剂量的扫描条件下能够接近甚至达到常规剂量扫描条件下的CT成像质量。常规低剂量CT处理和重建技术存在容易丢失组织细节特征的问题。本论文采用深度学习方法,以卷积神经网络为基础,通过构建和训练深层特征表征网络,对低剂量噪声伪影预测的复杂问题进行非线性建模拟合,目的提高低剂量CT成像质量,降低病人承受的扫描辐射危害,为临床医生的检测诊断提供有效的辅助。本论文分为以下两个部分:本论文中进行了对于使用自适应卷积滤波网络替换滤波反投影重建(Filtered Back Projection,FBP)中的固定滤波核的研究。AF-DenseNet网络使用自适应滤波网络单元替代FBP中的固定滤波核对处理后的投影数据进行滤波,同时在频域和空间域进行卷积处理。在滤除噪声的同时最大限度保存图像的对比度和高频细节,具有滤波反投影算法的计算速度快的特点,同时实现接近迭代重建效果的图像质量。该网络用于解决深度学习端对端图像处理方法的弊端,将端对端的图像处理过程与域变换的重建过程进行有机结合。提出了结合投影空间前处理,图像空间后处理的域递进残差网络(Domain Progressive Residual Network,DP-ResNet)处理方法。该网络结构包括投影域前处理子网络(SD-Net)、滤波反投影重建(FBP)和图像域后处理子网络(ID-Net)三个阶段。该算法的主要思路是:通过SD-Net首先对低剂量投影数据进行前处理,最大程度地保留图像细节,在一定程度上降低图像噪声,然后使用滤波反投影重建得到待处理图像数据,最后通过ID-Net对图像数据进行后处理,进一步降低噪声,恢复被遮挡的组织细节。来自AAPM挑战赛的模拟数据和来自联影公司的真实低剂量投影数据的实验结果均表明,该DP-ResNet深度学习网络结合了两个不同领域的网络处理方法,取得了显著的成像性能提升。