计算机断层成像（Computed Tomography,CT）技术能对物体内部结构信息实现非接触、快速且高效成像,已广泛应用于医学临床诊断中。CT成像技术给临床诊断带来便利的同时,其本征的辐射剂量问题则一直是公众关注的焦点;因此,低剂量CT（Low-Dose Computed Tomography,LDCT）已成为临床CT成像技术的发展趋势。然而,降低辐射剂量会使投影数据的统计噪声增大或采样数量降低,进而导致CT图像重建质量的下降,制约着LDCT技术走入实用。因此,探索如何在降低辐射剂量的同时,有效保证CT图像重建质量,对于拓展LDCT在临床上的应用范围具有重要的理论与现实意义。本文针对扫描剂量降低带来的LDCT图像重建质量下降问题,基于深度学习技术,重点围绕投影噪声直接抑制、投影和图像信息联合优化以及在早期肺癌筛查中的应用三个方面展开研究,取得的主要创新性研究成果如下:1.提出一种基于改进的U-net的投影降噪方法。在对投影噪声统计特性进行建模分析的基础上,通过对U-net网络模型进行改进,设计了一个投影噪声抑制网络,利用深度神经网络模型强大的特征提取和学习能力,对投影信息的全局特征和噪声投影的分布特性进行充分刻画,有效去除投影噪声。通过引入具备误差反向传播能力的反投影模块,以增强对图像特征信息的进一步保留。仿真和实际数据的实验结果证明,相比于传统方法,本方法在投影噪声的抑制能力方面提高了约40%,且有效恢复了重建图像中的细节信息。2.提出一种基于双残差卷积神经网络的LDCT图像降噪方法。鉴于人体组织结构复杂,且在临床诊断中对图像的重建精度要求较高。针对此情况,本文基于残差结构模块设计了图像域网络,以充分利用图像中各图像块的相似性,对图像域信息的分布特征进行充分挖掘,减少图像误差对细节信息保留能力的影响。通过引入滤波反投影模块,在减少计算时间的同时增强网络对投影先验信息的提取能力,建立了图像域-投影域的双域联合优化网络模型。仿真和实际数据的实验结果证明,与最新的DP-Res Net方法相比,本方法将结构特征丰富的医学CT图像的峰值信噪比提高将近1d B。3.提出一种基于多尺度空间注意力残差U-net的肺部重建方法。在临床上应用LDCT进行早期肺癌筛查时,图像重建精度与疾病筛查的准确率成正比关系且为患者设计和估计可接受的辐射剂量的需求日益增大。针对此问题,本文通过设计噪声水平估计子网有效学习不同剂量水平下的图像先验信息,并作为图像特征映射融合到图像的重建过程中,以进一步恢复图像中的特征信息。同时,通过引入多尺度特征提取模块和空间注意力机制,分别提高了网络对于不同尺度特征的适应性和图像空间域信息特征的提取能力,进一步增强对肺部图像中关键信息的保留。实验结果表明,本文提出的方法能在去除图像噪声的同时有效地保留肺部图像中的细微结构和特征信息。