计算机断层成像(ComputedTomography,CT)能够快速获取人体内部组织结构的信息，为医生对疾病的诊断和治疗提供强有力的帮助。然而过量的X射线辐射会增加患者的患病风险，因此低剂量CT扫描应运而生。但是降低辐射剂量会在投影过程中引入量子噪声，造成重建后的图像质量下降，无法保证其准确性。低剂量CT图像重建技术的核心在于算法的优化和改进，这是决定整个重建过程速度和图像质量的关键因素。随着计算机技术的不断发展，研究人员发现深层神经网络能够从低层特征中提取到高层特征，将其应用于低剂量CT重建上，可以有效地提高重建图像质量。因此，结合深度学习研究更加高效、准确的低剂量CT图像重建算法对于提升医疗等相关领域的效率和质量具有十分重要的意义。 针对低剂量CT图像重建会产生噪声和伪影的问题，本文提出基于改进U-Net的低剂量CT图像重建算法。U-Net自动编码器在对特征进行逐层编码过程中可以抑制噪声，实现对图像的自动去噪，在此网络模型的基础上引入残差学习和空间注意力机制，同时为了在上采样时增加多尺度信息，在编解码过程嵌入跳跃连接，调整网络结构与输入输出后构建出新型网络模型。实验结果表明，PSNR、SSIM和RMSE指标平均值分别提升21.699%、2.263%和40.833%，本模型可以提高图像的质量，在图像去噪性能方面优于其他算法。 针对生成对抗网络存在生成结果带有噪声的问题进行改进，在改进U-Net网络的基础上提出了一种基于双域U-Net残差结构的对抗式网络，引入感知损失函数，从而引导生成器生成包含更多细节信息的CT图像。讨论了该网络对于改善生成真实图片质量的能力，并且针对边缘细节轮廓效果较差的问题进行了改进。通过实验对网络的生成图像效果进行验证与客观对比，结果表明该网络可以抑制噪声，实现更多的图像细节。
NETL
