正电子发射计算机断层成像（Positron Emission Tomography,PET）可以观察组织内分子水平的代谢活动,属于功能成像。其中动态PET成像不仅可以观察体内随时间变化的代谢情况,而且结合动力学模型可以对其进行量化分析。尽管PET的物理特性在不断发展,但由于动态PET采集每帧扫描时间短、计数率低,导致其图像噪声较大。临床上通常对病人注射高剂量示踪剂来提高图像质量,这无疑增加了患者遭受核辐射的风险,并且提高了示踪剂药物制作成本。本文围绕如何提高低计数动态PET图像质量进行研究。高斯滤波由于其简单快速的优点已被应用于临床,但是图像中的重要结构通常也会被平滑。双边滤波作为高斯滤波的延伸,考虑了图像空间和邻域像素值的相似性,在去噪的同时可以保留边缘,但是边缘处存在梯度翻转伪影。引导滤波能够在去噪的同时很好的保持边缘同时避免伪影的存在。然而,该方法由于系数平均操作会造成结果图像模糊,且当引导图像和噪声图像结构不匹配时,可能会对去噪后图像引入错误结构。随着深度学习技术的发展,卷积神经网络（Convolutional Neural Network,CNN）在PET图像去噪中得到了广泛应用,与传统滤波方法相比,其去噪效果好且速度快,但在研究过程中存在以下三点挑战:①网络的高质量图像标签难以获得;②训练过程需要大量数据以防止过拟合;③均方差损失函数常导致图像结果模糊。本文以高分辨率的核磁共振（Magnetic Resonance,MR）图像作为先验提出了基于深度学习与MRI结构信息的动态PET滤波方法,以空间变化线性表示模型为基础,像素级学习引导滤波的线性系数,并以高质量PET图像为标签,避免了引导滤波中存在的结果图像模糊和引入错误结构问题。此外,为解决上述挑战,本文在以下三个方面做了改进:①将动态PET数据多帧合成为一帧作为高质量网络标签,同时图像标签降采样得到网络训练输入;②用大量仿真数据对网络进行预训练,再用有限的临床数据对卷积网络最后两层微调;③网络损失函数以L1范数为基础引入两个边缘保持正则项,确保网络在去噪的同时保留图像细节,且不被MR图像结构干扰。本文基于BrainWeb仿真了十组PET/MR动态数据用于体模实验,取ADNI数据库中11组动态PET/MR数据用于临床实验,将提出方法与高斯滤波、引导滤波及与提出方法相同网络结构下以均方差作为损失函数的CNN方法作对比。仿真结果表示提出方法在均方根误差、结构相似性、总体方差、总体均方偏差等方面均优于其他方法。由于临床数据缺乏真值,本文使用局部均值和标准差对结果图像进行评估对比,结果表明提出方法在多种局部感兴趣区中均表现了较优的去噪性能。