计算机断层成像(Computed Tomography,CT)作为一种非侵入式的医学成像技术,能够提供高分辨率的组织断层图像,在疾病的筛查、诊断以及图像引导的介入治疗中得到广泛应用。随着CT扫描数量的增加,病人在扫描过程中接收过量的X射线辐射会增加其患癌风险。因此,如何实现低剂量成像是CT研究中亟需解决的问题。目前,低剂量CT成像分为稀疏角度和低毫安秒两种模式。其中,稀疏角度成像是在常规扫描剂量下减少每圈球管的曝光次数。但采集投影数目的不足会导致重建图像中引入严重的条形伪影。而低毫安秒成像是在扫描时降低管电流或缩短曝光时间来降低每个投影的曝光剂量。但这使得探测器接收的光子数减少,采集的投影数据被电子噪声污染,导致重建图像中存在大量的噪声和伪影。近年来,深度学习技术作为一种高效的算法工具被用于解决低剂量CT成像中的噪声和伪影问题,并取得良好的结果。现有基于深度学习的稀疏角度图像恢复网络仅针对于二维扫描几何的稀疏角度图像恢复。当网络的输入为三维螺旋CT稀疏角度图像时,图像的恢复效果不明显。而现有基于深度学习的低毫安秒图像恢复网络仅针对于单一噪声水平的低毫安秒图像恢复。当输入图像的噪声水平未知或不同于训练集,网络的恢复结果就不尽人意。为了实现三维螺旋CT稀疏角度图像恢复和实现任意噪声水平的低毫安秒图像恢复,本文基于深度学习技术展开下面两项研究工作:(1)对于稀疏角度成像,本文提出一种基于多尺度小波残差网络(MWResNet)的三维螺旋CT稀疏角度图像恢复方法。该网络结合小波分解、UNet以及残差块结构。区别于现有网络采用二维扫描几何稀疏角度图像作为网络的训练集,本文网络采用三维螺旋CT稀疏角度图像。通过定性和定量对比现有网络的螺旋CT稀疏角度图像的恢复结果,结果表明本文网络能有效恢复三维螺旋CT稀疏角度图像的分辨率,抑制噪声和伪影,保持图像良好的组织结构信息。(2)对于低毫安秒成像,相对于图像域数据,对投影数据进行处理能获得更准确的噪声方差估计,因此本文提出一个三维小波残差密集网络(3DWRDN)的盲投影恢复方法实现任意噪声水平的螺旋CT低毫安秒投影恢复,再重建得到恢复图像。该网络由噪声水平估计子网络和去噪子网络两部分组成。噪声水平估计子网络对多个相邻角度低毫安秒投影组成的三维容积数据进行噪声方差估计,去噪子网络以估计得到的三维噪声方差图指导低毫安秒投影恢复。本文网络采用三维容积投影数据作为输入能够有效利用相邻角度投影数据之间的冗余信息。通过与现有图像恢复网络进行恢复图像的对比和定性分析,结果表明本文网络能有效实现一定范围内任意噪声水平的低毫安秒投影恢复,重建得到噪声伪影抑制,组织结构保持的高分辨图像。