计算机断层成像技术(Computed Tomography，CT)在经历了三十多年的发展后，成为了仿射诊断和治疗领域内不可或缺的一部分。由于CT图像具有较高的密度分辨率，能够很好的显示密度较小的组织，但是照射剂量偏高限制了其在普通人群筛查，比如肺癌高危人群检查中的应用。临床上一种有效的降低辐射剂量的方法是采取降低CT扫描管电流的方式，但是低剂量CT图像中的噪声使得图像质量下降，不但影响了诊断的准确性，同时增加了对图像进行分析处理的难度。因此，如何在保证图像质量的前提下，尽量地降低CT辐射剂量，成为了近年来的研究热点。　　结合近年来的研究，低剂量CT图像的去噪策略主要被分为两种：一是通过分析CT扫描得到的投影数据，建立该数据的噪声模型，对投影数据去噪后再利用算法对数据进行重建得到相应的CT图像；另一种是直接对重建后的CT图像进行去噪，这时就可以借鉴自然图像去噪领域中应用的一些算法。本文中使用的方法属于后一种去噪策略。　　近年来，稀疏表示理论受到人们的广泛关注，并被成功应用于图像去噪、压缩等领域。基于稀疏表示和字典学习方法的理论依据是，具有一定光滑性的干净图像在适当的过完备字典下存在稀疏表示，通过选择或设计适当的字典，求出图像在该字典下的稀疏表示就可以达到去噪的目的。在图像去噪应用中，字典的选择包括选取固定的解析字典和利用采样图像数据，通过适当的模型和方法学习或训练自适应的字典。而后一种字典具有对数据的自适应性，能更好地刻画数据中的本质特征，在去噪应用中能得到更好的效果。本文主要就是围绕将字典学习的方法应用于对低剂量CT图像的去噪来展开，具体内容包括以下几个方面：　　一、简要介绍了与本次试验相关的背景，包括两个方面：一是低剂量CT技术的基础知识和背景，并研究了该技术在临床中的具体应用和发展历史；二是稀疏表示和字典学习方法的理论基础，并介绍了与之相关的数学物理知识，同时还研究了几种常用的建立图像字典的算法；　　二、深入研究了K-SVD算法的基础知识和算法流程，利用该算法通过对低剂量CT图像自身和正常剂量CT图像分别进行训练得到适用于低剂量CT图像去噪的图像字典，并将这一字典应用于体模以及真实病人低剂量CT图像的去噪中。实验中，体模数据的处理是为了探讨算法的有效性以及算法中应用的参数对于去噪效果的影响；通过对病人真实数据的去噪，验证了基于稀疏表示和字典学习的方法对在低剂量CT去噪领域中的作用。实验结果表明了该方法可以有效的降低低剂量CT图像中的噪声水平，同时有效的保留了大部分图像细节。但是同时也发现该算法会产生一些不良的伪影和图像的模糊，影响了最终的图像质量；　　三、针对原始的K-SVD算法产生的一些问题，借鉴非局部图像处理技术中使用的一些方法，提出了利用高斯权重对原始的K-SVD算法的改进方案。在本实验中，我们采用聚类的方式对图像进行了预处理，并在计算结果图像时引入了高斯权重。改进后的算法被我们应用于对肿瘤病人CT数据进行去噪，与改进前的算法相比，这一算法可以在有效去除噪声的同时，尽量的保留了图像细节并没有带入新的伪影。该算法处理之后的肿瘤图像，可以非常容易的识别出与正常剂量CT图像中相一致的病变部位，这一发现进一步推动了低剂量CT技术在临床中的应用。　　本文提出了将稀疏表示和字典学习方法应用于低剂量CT图像的去噪，并对现有算法存在的问题提出了改进。实验结果也表明了这种方法在去除噪声的同时有效得保留了图像细节，具有重要的实际应用价值。