X 射线计算机断层扫描(CT)是现代医学诊断以及工业应用中最重要的成像 方式之一。因此，CT 图像重建算法和相关的图像处理方法得到了广泛的关注。 目前大多数商用 CT 机使用滤波反投影(FBP)方法重建图像。这种方法突出 的优点是重建速度快，应用广泛。但是当辐射剂量变低时会产生较高的噪声，图 像质量不是很理想，而高剂量 CT 成像在临床应用中存在潜在的辐射安全风险。 在过去的十多年里，研究人员致力于开发用于 CT 图像重建的迭代算法。通常， 这些算法会优化某个设定的目标函数，该目标函数包含精确的系统成像模型、统 计噪声模型和图像域中的某些先验信息。在以时间为代价的前提下，迭代重建算 法可以提供较高准确率的重建图像。这种方法虽然极大地提高了图像质量，但仍 有可能丢失一些细节，且仍会受到残余伪影的影响。此外，它们需要较高的计算 成本，耗时较长，有的每幅 CT 图需要半个小时以上的重建时间，导致在临床应 用中出现瓶颈。 与迭代重建相比，正弦滤波和 CT 图像后处理的计算效率较高。前者指首先 在投影正弦域内对噪声特性进行建模，然后在按照一定的方法对噪声进行滤波， 从而重建得到噪声水平较低的 CT 图像。然而，这些方法可能存在分辨率下降和 边缘模糊的问题。同时，正弦数据需要十分仔细地处理，否则可能会在重建的 CT 图像中产生伪影。 与直接在正弦图上去噪的方法不同，重建 CT 图像后处理方法直接作用于得 到的 CT 图像，在 CT 图像上进行减少 CT 噪声和抑制伪影的操作。通过这种图 像后处理，CT 图像的质量将得到明显的改善，但在处理后的图像中经常会出现 过平滑或残差的现象。由于 CT 图像噪声分布不均匀，这些问题难以解决。 前两年，谷歌公司的 Alpha Go 在围棋竞技中的优异表现，再一次把人工智 

能技术推到了风口浪尖上。随着计算机计算能力的飞速提升，人工智能技术，尤 其是深度学习方法在图像去噪、去模糊、超分辨率、分割、检测和识别等各种成 像应用领域引起了广泛的关注。深度卷积神经网络的爆炸性发展也为医学影像领 域提供了新的思路和巨大的潜力。前期研究表明，深度卷积神经网络在低剂量 CT 成像、降低 CT 图像噪声、去除 CT 图像伪影等方面也有着不错的表现。 综上，本人攻读博士期间拟重点研究基于人工智能技术的新型 CT 图像重建 和处理算法，具体研究方向和计划如下： 1. 智能低剂量 CT 图像重建算法。CT 成像对患者来说存在潜在的辐射风险， 因为 x 射线可能会导致基因损伤并诱发癌症，其概率与辐射剂量相关。但是，降 低辐射剂量会增加重建图像中的噪声和伪影，进而可能影响疾病诊断准确性。因 此，低剂量 CT 图像重建或图像处理方法在临床应用中至关重要。介于人工智能 技术强大的图像处理能力，为低剂量 CT 成像打开了新的思路且让我们看到了美 好的愿景。 2. 智能双能/能谱 CT 图像重建和后处理。同传统的单能 CT 成像相比，双 能/能谱 CT 可以分别利用不同能量的 X 射线对物体进行成像，由于不同物质对 于不同能量的 X 射线有不同的、特异性的吸收特性，因此，通过一定的 CT 重建 算法就能得到物质的构成比例，提高临床应用中对疾病的定量化诊断准确度，具 有十分重要的临床潜在价值。但是，传统双能/能谱 CT 图像重建方法仍不能精 确的实现材料的定量分析。因此，十分有必要探索采用新的人工智能技术解决以 上问题，进一步提高双能/能谱 CT 图像质量。 量化成果预期如下：在博士三年级结束之前完成至少五篇的高质量 SCI，并 考取雅思（或托福），博士四年级争取能够赴国外名校交流学习一年。