计算机断层扫描（Computed Tomography,CT）是一种被广泛应用的无损检测技术,通过对被检测目标进行X射线断层扫描得到断层图像。在现代医学领域中,CT图像被用来检测病灶并帮助医生诊断疾病。低剂量CT通过降低X射线的剂量,减轻电离辐射对人体造成的伤害,然而,降低X射线剂量后,重建得到的CT图像中含有大量的噪声并伴随有伪影,降低了图像的可读性,从而影响医生诊断。为提升CT图像重建效果,该文基于图像后处理方法,结合深度学习进行了低剂量CT图像重建的相关研究,具体内容如下:首先,研究了基于影响因子及选择性内核卷积的低剂量CT图像后处理方案。该方法在传统的CT模型基础上,为噪声和伪影对图像造成的影响提供一个额外变量,通过神经网络,结合选择性内核卷积,分两条路径分别学习噪声伪影和噪声伪影的影响因子,二者共同决定低剂量CT图像后处理重建结果。该方案更加精确的表达了每个像素点受到噪声与伪影的影响,提高了图像重建精度。其次,设计出基于残差网络和局部-全局特征的低剂量CT图像后处理方案。该方法基于神经网络,结合残差结构和局部-全局特征提取模块,分两条路径对图像进行处理:一条路径直接捕捉整张图像的全局特征,另一条路径将图片分割成图像块进行局部特征的学习。该方案更全面的提取了图像的局部特征与全局特征,并将图像全局特征与局部特征进行融合,有效提高了生成图像的清晰度。最后,提出了基于多尺度卷积神经网络的低剂量CT图像后处理方案。该方法基于神经网络,引入图像金字塔模型来构建多尺度框架,并利用改进过的残差网络保持更深层次网络的性能。该方案分别对两个不同尺度的图像进行学习提取细节特征,并将粗级别的图像特征融合于细级别图像中,可以有效抑制低剂量CT图像中的噪声,同时减少伪影,使得重建图像与正常剂量CT图像更接近。