计算机断层成像技术(Computed Tomography,CT)是现代医学重要的临床诊断手段之一。然而,过量的X射线辐射会给受照者带来健康风险。因此需要适当地降低CT的剂量,而最常用的方法是降低管电流mAs。但是,低剂量技术在降低危害风险的同时,也会降低重建后的CT图像质量,造成条形伪影等噪声的产生,这可能使得图像中的重要解剖结构被伪影所掩盖,从而加大医生临床诊断的难度。如何实现降低CT剂量的同时又保证图像的质量已成为了 CT成像的研究热点之一。目前,低剂量CT图像伪影校正算法主要分为三类:投影滤波法、迭代重建法和图像后处理。然而,这些算法往往需要估计并假设特定的噪声模型,而低剂量CT的伪影却难以确定其噪声模型,进而导致伪影估计的不准确。而深度学习能够充分利用大数据的特征,使得低剂量CT的预估更加准确,并成为了低剂量CT伪影校正的又一热点。而锥形束CT(Cone-beam CT,CBCT)的诞生也是为了降低放射影像的辐射剂量,较传统CT相比有着剂量低、X射线利用率高、数据采集速度快等特点。然而,由于CBCT的物理技术问题,其重建图像容易出现严重的散射伪影,限制了它的临床广泛应用。因此,CBCT图像的伪影校正问题成为了业界的迫切需要解决的问题。目前,CBCT图像的伪影校正的算法主要分为两种,硬件处理方法和软件处理方法。其中,经典的蒙特卡罗模拟方法是散射投影估计的金标准,但它的临床应用极大地受限于其过长的光子运输模拟时间。因此,设计一个准确、快速的CBCT伪影校正算法仍然是研究上的难点。本文首先系统地回顾了 CT/CBCT的成像基础,分析了伪影特征,学习了卷积神经网络的基础内容,然后针对上述两个的图像伪影问题,分别提出了以下基于深度卷积神经网络的校正方法:第一,针对重建后的低剂量CT图像伪影校正的问题,提出基于迁移学习和残差网络的噪声抑制TLRCNN算法。该方法构建由残差块组成的卷积神经网络,以学习从LDCT图像到噪声分布图的映射,训练时首先使用带噪自然图像数据集对网络模型进行预训练,然后运用LDCT数据集对模型进行精细的微调,最后将LDCT图像减去其从训练好的模型所预测得到的噪声分布图,即可得到校正后的CT图像。仿真数据及临床数据的实验结果表明,与常用的几种去噪算法相比,本算法能有效、优质地快速恢复LDCT图像,其图像质量在定性和定量分析上均有所提高。第二,针对CBCT散射伪影校正计算时间长的问题,提出基于gMMC蒙卡模拟和U-Net的锥束CT快速去散射FSCCNN算法。该方法主要在投影域上进行操作,首先运用FDK算法对原始的CBCT投影进行重建,然后与计划CT重建进行刚性配准。接着在gMMC系统上采用加速策略模拟稀疏角度的散射投影,然后输入到训练好的U-Net网络模型中以恢复全角度散射投影,最后从原始投影中去除散射投影,再进行FDK重建,即可得到校正后的CBCT图像。实验表明,与计划CT图像相比,经本算法所校正的图像质量明显提高,且CT值准确性得到提高,各项评价指标均与计划CT极为相近,最重要的是该方法全过程在10s内即可完成散射投影的校正,其效率较经典MC模拟大大提高。