计算机断层扫描在影像学诊断中占据着举足轻重的地位,然而在检测过程中所引起的辐射剂量暴露也是一个值得我们深思的潜在问题。在医学诊断中,为了降低辐射暴露风险,通常会采用降低管电流或管电压的方式来实现辐射剂量的减少,这种方式可以避免给患者提供过多的X射线辐射,但放射剂量的减少在降低辐射暴露风险的同时,也提高了噪声水平,这使得在重建结果中极易加重条纹伪影的产生,构建的图像也会因噪声和伪影的存在而出现严重退化,从而难以检测患者内部组织机构出现的微小变化,影响图像质量和最终的诊断结果,大大削弱其诊断性能。研究表明,与辐射剂量相关的低剂量CT图像图像重建已然成为医学界非常关注的一个问题,本文就如何权衡CT图像质量与辐射剂量问题展开深入研究,针对低剂量CT图像重建方法主要进行了以下两个方面的研究。（1）鉴于降低辐射剂量可能会导致噪声和伪影增加的事实,消除LDCT图像噪声和伪影的方法越来越受到关注。针对CT重建结果中易产生噪声残留、结构过度平滑或噪声导致的假损伤等问题,本文提出一种基于生成对抗网络的低剂量CT图像重建方法。由于U-Net在医学成像中的广泛应用,本文以改进U-Net作为生成器网络第一阶段,采用生成对抗网络对正弦图进行降噪,能够减弱由于剂量减少造成的图像伪影,该过程利用残差U-net网络实现了从具有强噪声伪的CT投影数据到高密度信噪比的投影图像的映射,利用残差网络,可以在避免加深网络层数时引起的梯度分散问题。将带有噪声伪影的原始CT投影图像直接作为网络的输入,在LDCT投影数据噪声较大的情况下,FBP重建的LDCT图像会受到条纹伪影和噪声的影响,因此在生成器第二阶段利用多尺度提取块增强纹理细节的恢复,GAN侧重于从统计上将数据噪声分布从强迁移到弱,因此使用VGG网络提高高视觉敏感度,通过与原始图像已建立特征空间中的感知特性进行比较来抑制噪声。本文在Mayo数据集上进行了验证,实验表明,该方法比直接基于后处理重建图像有更好的视觉效果。（2）由于图像重建具有不适定性,根据低剂量CT数据进行高质量图像重建,进而提高诊断性能是一个具有挑战性的问题。为了更好地适应影像诊断中图像类数据颇多,本文设计一种双路径多特征子网络进行低剂量CT图像后处理重建。该方法基于两个并行的子网络进行特征提取,从两个子网络中提取的特征能够得到不同大小的接受域,再使用concat将这两条路径上捕获的特征聚合在一起,不仅能够更充分地恢复组织结构,还可以提高网络的鲁棒性以及泛化能力,空洞卷积的使用能够利用图像域上下文信息提高感知野,亚像素卷积的使用更有利于缓解像素损失,在单路径中聚集多尺度特征,能够为图像重建提供更为丰富的信息,从而提供图像质量。实验结果表明,本文提出的方法收敛速度较快,可以简化训练难度。同时,随着网络的不断深化,能够表达更多的图像细节,相比传统方法,该方法在恢复医学图像纹理细节方面性能得到了提升。