为了提高低剂量CT图像质量，本文基于深度学习卷积神经网络方法对低剂量CT去噪图像后处理方法进行研究。针对目前基于深度学习低剂量CT去噪方法中存在的问题，从两个方面进行改进。主要工作如下：
（1）针对存在钙化点的低剂量CT数据提出了一种可以保留钙化点的低剂量CT卷积神经网络去噪方法。由于CT图像中钙化点一般较小且含钙化点的数据较少，一般的卷积神经网络会将较小的钙化点当作噪声点去掉。研究首先设计一种钙化点添加方法，对训练数据进行预处理。然后设计出满足要求的低剂量CT去噪网络。最后设计两种不同的损失函数，卷积神经网络采用这两种损失函数分两步相继训练。通过与目前常用方法进行对比研究，证明提出的方法可以保留“钙化点”的基础上完成了低剂量CT去噪。
提出了一种可以利用结构不同的非对齐低剂量CT和标准剂量CT图像进行无监督训练的深度学习卷积神经网络。目前大多基于深度学习的低剂量CT去噪算法需要大量结构相同的（对齐）低剂量CT图像和标准剂量CT图像进行训练。人体胸腹部等非刚性部位获得对齐数据比较困难，限制了基于深度学习的低剂量CT去噪算法的应用范围。本文通过CycleGAN生成对抗网络框架，设计高效生成器和判别器，利用非对齐CT数据进行训练并得到了良好效果。拓宽了深度学习卷积神经网络低剂量CT去噪的范围。

一、CT成像基本原理

CT成像是用X线束对人体检查部位进行扫描，由探测器接收透过人体的X线，通过转换后经将光信号转为数字信号，输入计算机处理。人体各个部位对X光线吸收情况不同，CT重建算法根据人体各个部位对CT吸收的不同程度将其转为不同的黑白像素值构成CT图像。
图像采集通过CT仪器X管仪器向被拍摄者发送X射线并围绕被拍摄者旋转持续拍摄，在X线管对立面（被拍摄者另一边）有接收X射线的检测器，检测器和X线管同步围绕被拍摄者旋转，检测到的信息为投影数据。

二、投影域处理方法

投影域处理方法也称为预处理方法，对探测器接收到的投影数据进行去噪处理，然后通过滤波反投影或其它CT图像重建方法重建CT图像。此类方法速度较快效率高、便于临床应用，但是对设备具有一定依赖性，大多数厂家不提供投影数据增大了算法研究的难度。

三、损失函数

损失函数反映了网络模型预测值与真实值之间的差距，用来评估模型性能。损失函数结果值越大模型性能越差。深度学习在训练过程中不断计算损失进行反向传播，算法以此来更新模型参数，向模型损失减小的方向训练提高模型性能。损失函数对模型训练训练具有一定指导意义，实际应用中要根据算法的差异选择合适的损失函数将算法达到最优。本文涉及损失函数有L1损失和L2损失：
（1）L1损失
L1损失即平均绝对误差（Mean Absolute Error，MAE）如公式（2-3），L1损失表达了目标值和模型预测值各个元素差的绝对值的均值，对异常有较强的鲁棒性。
（2-3）
式中：m、n——目标和预测图像的尺寸;代表绝对值。






全文总结
本文以低剂量CT去噪为研究背景，基于深度学习卷积神经网络方法开展研究。分析了卷积神经网络低剂量CT去噪中遇到的问题：（1）低剂量CT图像中钙化点问题。由于钙化点图像数量占比很少，同时钙化点与噪声类似，只与噪声稍大。一起的低剂量去噪网络很容易将其一起去除，本文提出一种可以保留钙化点的低剂量CT去噪方法，通过数据、设计去噪网络并通过设计不同的损失函数分两次训练去噪网络达到保留钙化点的模型。（2）非对齐低剂量CT和标准剂量CT数据的训练问题。现有基于深度学习卷积神经网络的低剂量CT去噪方法需要结构相同的对齐低剂量CT数据和标准剂量CT数据训练，胸腹部等部位较难获得对齐数据。本文通过利用CycleGAN生成对抗网络模型重新设计生成器和判别器获得一种基于深度学习的低剂量CT去噪方法，可以利用非对齐数据进行训练并获得较好水平。