随着科学技术日新月异的发展,计算机断层扫描(CT)设备不断地更新换代,已经在医学和工业领域上发挥越来越重要的作用。在医学治疗中,CT所具有的高分辨率特性能够为各组织器官提供清晰的图像,这就促进了医务人员更快地进行准确诊断。但CT作为放射性设备,其X射线具有较大的辐射危害,故而对人体存在潜在的威胁。为了减少CT扫描中X射线的辐射剂量,最常用的有三种可行的方法:减少投影数、减少扫描时间和降低射线管两端的电压。与传统的方法相比,本文以减少投影数为研究切入点,结合当下学者广泛关注的深度学习技术进行研究。为了减少投影数,本文主要采用了稀疏重建的方法。首先,利用稀疏重建方法对原始投影数据进行重建,减少投影的个数;其次,建立基于有关残差学习的卷积神经网络模型结构,对重建过程中的伪影特征进行学习;最后,通过对稀疏重建的图像进行残差操作,得到去伪影的CT图像。本文的创新点和主要研究工作包括以下几点:(1)提出了利用残差学习卷积神经网络的方法去除稀疏重建中的伪影。通过建立残差学习卷积神经网络模型进行训练学习和测试,根据具体的实验数据进行分析,从而验证利用残差学习卷积神经网络的方法较传统的方法具有更好的处理效果,时间更短,且效率更高。(2)利用改进型的GoogLeNet残差学习卷积神经网络对稀疏重建的图像去伪影。残差学习卷积神经网络模型只使用了单一的卷积核模式,将GoogLeNet模型加入到残差卷积神经网络模型结构中,把单一的卷积核模式变为多卷积核模式。改进的GoogLeNet残差卷积神经网络能更好地学习伪影的特征,从而具有更好地去伪影效果。实验结果表明,在对稀疏重建图像去伪影的研究过程中,本文方法大大降低了X射线的辐射剂量,有效缩短了其所需要的处理时间,且显著提高了图像重建的效果。