计算机断层成像(Computed Tomography,CT)因具有无创、高时空分辨率等成像特点,被广泛应用于疾病的早期筛查和临床诊断。然而,医学CT检查仍面临高辐射剂量和金属伪影的困扰。目前,降低CT扫描辐射剂量通常采用两种方式:一是通过降低CT扫描过程中的管电流或缩短扫描时间来降低毫安秒(low-mAs)。但是,由于low-mAs扫描因光子不足造成投影数据噪声水平增加,直接解析重建容易导致重建图像出现明显的噪声和伪影。二是采用稀疏角度(Sparse-view)扫描减少X射线球管旋转一周的曝光次数。但Sparse-view扫描因投影角度个数不满足奈奎斯特(Nyquist)采样定理,采样个数不足容易导致解析重建图像出现条形伪影。另外,在含有金属物质的CT扫描过程中,金属物质的高衰减和X射线的多能谱特性导致投影数据退化是造成金属伪影产生的主要原因,直接解析重建容易导致重建图像出现亮暗相间的条形伪影。上述问题,若不采用技术处理,图像中的噪声和伪影不可避免地影响临床诊断。因此,作者分别提出了基于TTGV-POCS的稀疏角度CT迭代重建方法和基于深度学习的金属伪影校正方法。(1)针对稀疏角度螺旋CT重建问题,目前迭代重建算法大多基于单层重组的弦图数据进行处理,即将螺旋三维投影数据插值重组为二维投影数据后再进行单层图像重建。然而,该方法没有充分考虑螺旋CT三维体数据特点。在本研究中,我们将三维体数据看作张量,提出了一种基于TTGV-POCS算法的稀疏角度螺旋CT迭代重建模型。该模型利用张量广义全变分(Tensor Total Generalized Variation,TTGV)的高阶导数特性刻画三维体数据在空间结构上的稀疏性和层间相关性,并纳入凸集投影(Projections Onto Convex Sets,POCS)迭代重建框架,实现稀疏角度螺旋CT迭代重建。为评价TTGV-POCS模型的有效性,我们分别采用了临床扫描数据和XCAT数字体模仿真数据进行实验对比测试。从定量和定性分析可知,TTGV-POCS方法能够有效抑制稀疏角度CT扫描引入的伪影和噪声,并保持图像边缘细节。(2)针对金属伪影问题,本文提出了一种基于深度学习的金属伪影去除网络模型(VVBP-SinoCNN)。利用像素值排序后的逐个角度反投影张量(view-by-view back-projection tensor,VVBP-tensor)存在结构相似和张量稀疏等特点,该模型将VVBP-tensor数据作为卷积神经网络输入来提高网络的特征提取能力。为更好的抑制条形伪影,我们将弦图数据和VVBP-tensor数据作为网络模型的输入,同时,利用滤波逐个角度反投影层连接两个子网络。实验表明,VVBP-SinoCNN方法在金属伪影去除和图像细节保持方面优于NMAR、CNNMAR等对比方法,提高了 CT图像的临床诊断价值。