在计算机断层扫描技术(CT)成像中,如果患者在下颌骨(本文中主要指牙齿部位)植入了金属材质的嵌入物,包括牙科填充物、矫形植入物或其他金属植入物等,由于人体内部组织的衰减系数远远低于被嵌入的金属物体,所以X射线在穿透金属材质的嵌入物后会被严重衰减。这就导致了重建后的图像与真实物体之间会存在一些差异,不仅模糊周围组织的重要诊断信息,而且使得到的CT图像中存在金属伪影。由于金属嵌入物的存在,金属伪影一直影响着CT检查的效果。因此,研究下颌骨CT图像中金属伪影的校正算法不仅具有临床意义,而且对医学的诊断分析很重要。传统的金属伪影校正方法的种类很多,但在具体临床应用中都有各自的局限性。比如基于插值的方法,大多需要图像分割,对于含有严重伪影的CT图像,很难进行图像分割;又如基于迭代的方法,计算的代价很大。近年来,在计算机视觉领域,深度学习的发展非常迅速,其中卷积神经网络被越来越广泛的使用,这也给学者们在金属伪影校正的领域带来了新的研究方向。在探讨了国内外金属伪影校正算法相关研究的基础上,为了减少CT图像中下颌骨区域的金属伪影,提出了一种基于深卷积神经网络(CNN)的伪影校正算法,主要做了以下几项工作:首先建立一个包含金属伪影和不包含金属伪影的下颌骨部位CT图像的数据库。在CNN训练之前,先执行可变形图像配准的方法来预处理图像。因此,可以从数据集中获取含有金属伪影和不含金属伪影的成对数据。其次,在训练中构建一个简单的17层CNN架构来学习金属伪影,并采用GPU加速训练数据的速度,提高了网络的学习效率;同时,实验结果表明该方法具有良好的金属伪影校正的能力,PSNR和SSIM数值也显示出明显的改善。最后,在卷积神经网络的基础上,引入残差学习的概念,提出了一种基于残差学习的卷积神经网络模型。改进后的神经网络模型基于残差学习的思想,不仅能使得网络模型可以单独地去学习伪影图像,而且能够减少学习过程中伪影部分对整体图像的影响。实验结果表明,通过基于残差学习的卷积神经网络模型校正后的下颌骨CT图像,在多数情况下能获取更好的PSNR值。