低剂量计算机断层扫描(Computed Tomography,CT)技术因其能减少辐射对人体的危害,而被广泛应用于临床医学诊断领域。但辐射剂量的降低,又会造成重建图像质量的严重下降,进而容易导致误诊现象。现有的低剂量CT(Low-Dose Computed Tomography,LDCT)图像处理方法容易造成CT图像边缘模糊、细节丢失等问题,难以在去除噪声和保留图像细节信息之间找到一个平衡。本课题将深度卷积神经网络(Convolution Neural Network,CNN)强大的特征提取能力应用于低剂量CT图像降噪,将低剂量CT图像降噪过程转化为非线性复杂问题的拟合过程,并从图像域和平稳小波域两个角度展开研究,旨在提高低剂量CT图像质量。本文的主要研究内容如下:(1)基于深度残差卷积神经网络的图像域LDCT图像降噪。将低剂量CT图像作为输入,噪声信息作为标签,通过网络训练拟合两者之间的复杂关系。网络训练完成后,即可从低剂量CT图像中得到噪声信息,再从低剂量CT图像除去噪声信息即可得到降噪后图像。网络设计中采用小卷积核方式,加入旁路连接模块及采用残差学习机制,可以提高网络的收敛速度并保留图像细节信息。通过实验对比,该模型不但能去除噪声和伪影,还能更好地保留骨骼边缘信息。(2)基于深度残差卷积神经网络的平稳小波域LDCT图像降噪。此模型不同于图像域卷积神经网络直接将图像作为数据集,而是将图像经平稳小波分解后的高频系数作为数据集。该模型利用深度卷积神经网络在低剂量CT图像的高频系数和噪声信息之间进行端到端的建模,并充分将平稳小波变换提取图像高频信息的优点和卷积神经网络强大特征提取能力的优势相结合。由于该模型对多个方向的高频系数进行降噪,因此更有助于抑制图像噪声和保留图像细节。通过实验对比,该模型不仅在去除噪声和保留骨骼细节信息方面表现突出,在肌肉组织细节保留方面表现出更大优势。