计算机断层成像(Computed Tomography,CT)扫描速度快、成像分辨率高,能够在不损坏被检测物体的情况下获取其内部三维结构信息,被广泛应用于医学临床诊断、工业无损检测和逆向设计等领域。然而由于射束硬化和康普顿散射等原因,被检测物体中的金属会造成衰减信息的高阶非线性化失真,导致重建图像中出现金属伪影。金属伪影在CT图像中表现为放射状条纹伪影和黑色带状伪影,严重影响对图像的分析和评价。对金属伪影进行精确刻画的物理模型复杂难以求解,传统校正方法仅利用简化物理模型和单套数据特征,在次级伪影抑制和金属边缘信息修复方面存在诸多不足。因此,研究如何抑制金属伪影,提升CT图像质量,具有重要的理论意义和实用价值。本文研究融合深度学习机制的金属伪影校正方法,利用数据驱动的方式充分挖掘图像域伪影内在特征和投影域信息失真规律,重点围绕图像域金属伪影直接抑制、投影域金属迹线信息补全修正和多金属复杂伪影的图像和投影双域联合优化校正开展一系列理论、仿真和实验研究,获得的主要创新性成果如下:1.提出了一种基于U-net的图像域金属伪影校正方法(U-net based Metal Artifact Reduction,U-MAR)。本文针对金属伪影难以通过固定指标或特征准确描述的问题,在U-net架构下设计了图像域金属伪影校正网络。利用多核卷积操作,通过对图像中金属伪影和组织结构信息进行特征挖掘,实现对图像中各类特征的提取和区分;基于特征信息利用网络的解码能力完成对图像组织结构信息的恢复,通过损失约束利用网络非线性拟合能力实现对金属伪影的校正;利用基于非线性金属伪影仿真模型的样本生成模块获取了大量包含伪影的样本数据,同时利用仿真数据集开展了针对网络深度和卷积核尺寸的单变量实验分析,进一步实现了对网络参数的优化。实验结果表明,网络的编解码能力使网络可以适用于不同尺寸的图像样本,与归一化金属伪影校正算法相比,本文方法的校正结果中误差下降了10%以上。2.提出了基于补全网络的投影域金属伪影校正方法(Sinogram Inpainting Metal Artifact Reduction,SI MAR)。本文通过深入挖掘投影域数据正弦分布特性和金属投影非线性失真规律,在深度卷积网络框架下设计了投影补全网络。利用深层卷积和特征融合,通过充分提取投影数据的全局特征和金属投影的分布特性,实现了对失真投影的补全修复;通过设计图像幅值方差损失和投影正弦特性损失,进一步增强补全数据的一致性和连续性。结合投影特点和金属迹线特性,利用金属迹线置零,制作了用于网络的训练和测试的医学仿真数据集和头模数据集。实验结果表明,本文方法投影补全结果的平均绝对误差相较于U-net方法,降低了20%以上,能够有效完成金属迹线的补全修复,补全投影后重建出的图像中金属伪影得到了明显去除。3.提出了基于生成对抗网络的双域联合金属伪影校正方法(Dual-domain Metal Artifact Reduction,Dual-D MAR)。当被扫描物体包含多个金属植入物的情况下,会导致投影数据信息严重丢失,造成投影域补全误差增大;同时,图像域中伪影更加复杂,造成图像域校正性能降低,使得仅依靠投影域或图像域信息的校正误差增大。因此本文通过双域先验信息约束,在生成对抗网络框架下设计了双域联合金属伪影校正网络。首先利用生成器深入挖掘多金属迹线在投影图像中的数据分布特性和各体素在投影空间位置的正弦性,加入具备反向传播能力的反投影模块实现投影到图像的转化,提升对先验信息的提取;然后通过在投影域和图像域分别引入判别器,强化双域信息的利用,对生成器优化进一步约束,提升生成器对细节信息的学习能力;构建了双域匹配的仿真数据集进行网络训练和性能验证;实验结果表明,相较于线性插值方法,本文方法的校正结果中误差下降了50%以上,有效地去除了复杂金属CT图像中的金属伪影,尤其是较好地消除了金属边缘的残留伪影。