| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题的研究背景和意义 | 第11-13页 |
| 1.2 研究现状 | 第13-16页 |
| 1.2.1 CT重建的研究现状 | 第13-14页 |
| 1.2.2 图像降噪处理的研究现状 | 第14-16页 |
| 1.3 主要内容和章节安排 | 第16-18页 |
| 第2章 低剂量CT重建理论基础 | 第18-30页 |
| 2.1 低剂量CT成像原理 | 第18-23页 |
| 2.1.1 CT成像的原理 | 第18-22页 |
| 2.1.2 低剂量CT的原理 | 第22-23页 |
| 2.2 CT重建的经典算法 | 第23-26页 |
| 2.2.1 滤波反投影重建算法 | 第23-24页 |
| 2.2.2 CT的迭代重建算法 | 第24-26页 |
| 2.3 基于压缩感知理论的CT重建 | 第26-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 结合字典学习的低剂量CT重建 | 第30-48页 |
| 3.1 稀疏字典学习 | 第30-33页 |
| 3.2 结合字典学习和压缩感知的低剂量CT重建算法 | 第33-38页 |
| 3.3 实验与讨论 | 第38-46页 |
| 3.3.1 数字模体实验 | 第40-43页 |
| 3.3.2 物理模体实验 | 第43-46页 |
| 3.3.3 分析与讨论 | 第46页 |
| 3.4 本章小结 | 第46-48页 |
| 第4章 结合深度学习的低剂量CT重建 | 第48-58页 |
| 4.1 深度学习和卷积神经网络 | 第48-52页 |
| 4.2 结合深度学习的低剂量CT重建算法 | 第52-54页 |
| 4.2.1 卷积神经网络原理 | 第52-53页 |
| 4.2.2 算法流程 | 第53-54页 |
| 4.3 实验与讨论 | 第54-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第5章 总结和展望 | 第58-60页 |
| 参考文献 | 第60-68页 |
| 作者简介 | 第68页 |