灌注CT是一种功能性成像,现在被普遍用于中风症状的诊断。由于CT较少的断层成像图和影像组到介入组较长的运输时间,为了保证病人的最佳治疗时间,将灌注功能从传统CT迁移到C型臂CBCT有极高的应用价值。但是迁移后的灌注功能面临两个新问题,一是时间采样问题,二是时间分辨率问题,两者皆是C型臂较慢的扫描速度导致的,会导致成像结果的偏差以及灌注参数的计算误差。此外,由于动态扫描剂量较大,而直接使用低剂量成像产生的噪声和伪影会使灌注参数计算时出现较大误差,因此需要在重建后对图像进行后处理操作。本文使用传统方法解决时间采样问题以及时间分辨率问题,然后将深度学习用于图像后处理,搭建了一个完整的成像流程。针对时间采样问题,本文使用回滚重建的思想,将图像重建时的起始角度和终点角度进行一定角度的回退,在理论上实现被扫描对象的状态回滚,重复利用已有的投影数据,不需要额外增加扫描时间便可以成倍的增加重建样本数量。此外,为了进一步解决时间分辨率问题,本文又引入了部分块反投影的思想,将其与回滚重建思想有效的结合在一起,结合后的方法称之为RBTFDK。RBTFDK将回滚重建从完整的投影数据转移到部分块反投影数据,增加了部分块重建的样本数量,同时保留了部分块反投影算法针对时间分辨率问题的效果。本文参考了C型臂CBCT的扫描协议,使用灌注CT数据模拟了灌注CBCT的成像过程,并在此数据的基础上进行了实验验证,结果表明,RBTFDK算法结合了回滚重建以及部分块反投影算法的优点,可以提高重建图像的质量,使其更加接近被扫描物体的真实状态。在降低了时间采样问题以及时间分辨率问题的影响后,在后处理步骤中,基于U-net网络结构,本文提出了NCS-Unet网络结构。NCS-Unet网络对输入图像卷积后得到的特征图进行高频与低频分离,由于分解得到的高频部分不仅仅包含了图像边缘,还包含了噪声和伪影信息,所以网络中使用了Sobel滤波器对输入图像进行边缘提取,增加网络的边缘信息。实验结果表明,本文提出的NCS-Unet网络在噪声和伪影抑制方面可以发挥一定的效果,能够保留更多的图像边缘等细节信息。