数字化X射线摄影（Digitial Radiography,DR）是计算机数字图像处理技术与X-射线放射技术结合而形成的常规X线摄影技术。DR因辐射剂量小、灵敏度高、图像分辨率高、处理速度快等优点,一直受到医疗人员的认可,已经被广泛应用在医学影像领域。但是,DR摄影成像过程中,会不可避免地产生一些影响图像成像质量的散射射线。因此,有效地校正DR图像中的散射射线将可以提高DR图像的成像质量,并且降低病人辐射剂量。本论文利用卷积神经网络进行DR图像散射校正的研究,旨在降低散射信号对DR图像的影响,提高散射校正后DR图像的质量,并同时减少辐射对被扫描者的潜在危害。本论文分为以下三个部分:本论文首先利用蒙特卡罗（Monte Carlo,MC）算法开展DR图像与对应散射图像模拟的研究。MC模拟是一种基于统计概率并按照真实环境模型模拟现实场景的算法,首先对采集的人体胸腔CT数据进行降采样;然后按照基于区域生长和阈值分割的算法进行非人体组织的去除和人体组织结构的划分;再按照真实DR拍摄的环境对射线源和探测器进行建模,模拟出大量含有散射的DR图像与对应的散射分布。该模拟方法可以在缺少真实DR图像的时候,利用人体胸腔CT模拟出大量含散射的DR图像及其对应的散射分布图,以作为后期深度学习训练的数据集和验证用的测试集。卷积神经网络可以直接将图像数据作为输入,无需人工对图像进行预处理和额外的特征抽取等复杂操作,可以通过卷积和池化操作自动学习图像在各个层次上的特征,这比较符合我们理解图像的过程。因此利用卷积神经网络处理大量含有散射DR图像和对应散射分布的训练集,不断调参与优化之后,用得到的模型进行图像的后处理。该算法的主要思路是设计二维卷积神经网络对含有散射的DR图像和对应的散射分布图像进行图像到图像的端到端回归建模,在卷积层利用3×3卷积核进行特征的提取与映射,然后使用ReLu激活函数增加模型的非线性映射能力,在模型训练阶段通过调整参数以探索影响模型性能的因素,从而获取模型的最优解。训练结果表明,采用卷积神经网络结构,选择适当的网络深度、宽度、卷积核,合理设计损失函数将有利于提升网络的拟合和泛化的能力。本论文提供的方法在模拟数据的层面达到了较好的散射校正效果,并且对图像中的人体组织结构都能较好地进行保留。最后,采用C++编程语言对CT数据预处理相关的算法进行了软件层面的实现,并申请了软件著作权。对本论文中涉及的散射校正处理流程进行了专利的撰写与申请。