正电子发射断层扫描(Positron Emission Tomography,PET)是一种功能强大的核医学成像方法。PET图像可以检测出活体组织中与放射性核素相结合的分子的代谢活动,在肿瘤学、心脏病学和神经学等领域有着广泛的应用。目前,由于探测器物理因素的限制,以及在医学应用中示踪剂注射剂量的约束,PET图像普遍存在低信噪比的问题。如何提高PET图像质量从而提高诊断的准确率是本文主要研究的问题。本文主要着力于利用无监督深度学习技术解决PET静态图像和参数图像的去噪问题。近年来,深度学习由于其优越的性能被广泛应用于医学成像领域。常见的深度学习去噪方法都需要利用低质量/高质量图像对训练网络。但在实际的医学应用中,考虑到安全剂量的限制,高质量PET图像较难获得。因此,本文提出了不需要高质量PET图像引导的无监督深度学习去噪框架——条件深度图像先验(Conditional Deep Image Prior,CDIP)。首先,我们将条件深度图像先验框架应用在单个病人的静态PET图像去噪上。我们以病人的噪声PET图像本身作为神经网络的训练标签,同时加入病人和PET图像相配准的计算机断层扫描(Computed Tomography,CT)图像或核磁共振(Magnetic Resonance,MR)图像作为解剖结构先验信息输入到深度神经网络中进一步提高图像质量。该方法将去噪过程转化为了训练神经网络的过程,网络的输出即为去噪后的图像。该方法仅需单个病人的含有噪声的静态PET图像以及与其配准的CT/MR图像,无需预训练,也无需高质量PET图像作为训练标签。在此基础上,我们将条件深度图像先验框架嵌入了 PET参数图像估计的方法中。PET参数图像是根据动力学模型在PET动态数据中计算出的可以代表示踪剂结合速率的参数组成的图像。相较于静态PET图像,它具有更高的对比度和特异性。我们将CDIP和Logan参考组织模型相结合,利用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)算法分三步解优化问题,从而得到去噪后的参数图像。该方法首次实现了基于无监督深度学习的Logan参数图像估计。另外,考虑到单个病人的特异性,我们将条件深度图像先验框架进一步推广到PET人群数据的去噪中。该方法采用群体训练和个体精调相结合的方法。在群体训练步骤中,由一组患者的PET/解剖图像对预先训练网络。在个体精调步骤中,用预先训练好的网络参数作为新网络初始参数,并固定部分初始参数以便能更好的利用群体信息,之后使用单个病人的PET/解剖图像对对新网络进行精调。两种网络结构相同,以解剖图像作为输入,噪声图像作为预训练和精调的标签。该方法不需要高分辨率/低分辨率的网络训练对,可以在最常用的PET/CT或PET/MR数据集上实现。论文的创新在于首次将无监督深度学习的方法引入到了 PET图像处理领域。应用该方法,解决了现有深度学习技术需要大量数据预训练且需要高质量图像(在医学操作上难以得到)引导的问题。同时,我们的方法可以在去噪的过程中引入解剖结构先验(CT或MR),进一步提高了 PET图像质量。以上三种去噪方法全方面的涵盖了 PET技术中常见的去噪问题。