正电子发射断层成像(Positron Emission Tomography,PET)能够将人体的代谢活动过程进行分子显像,通过检测注射入人体的放射性示踪剂由于物理湮灭反应产生的γ光子,从分子水平显示机体及病灶组织细胞的代谢、功能、血流、细胞增殖和受体分布情况,为癌症,心脏病以及神经疾病等临床应用方面提供更多的生理和病理方面的诊断信息。由投影数据进行图像重建一直是PET领域的研究热点,本文主要讨论了正电子发射断层成像的重建方法问题。针对PET成像的图像特点以及数学模型,PET图像重建可以从后处理去噪重构的角度出发,即从含有噪声和伪影的图像数据中将噪声和伪影数据去除,从而恢复干净的活度分布图像。基于此,利用生成对抗网络构建算法框架减少条纹伪影和提高PET图像质量。训练生成器直接生成用于图像表示的残差PET图像映射亦即噪声和伪影图像(Residual PET Map,RPM),而不是直接生成PET图像。使用了两个判别器来强化与真实的PET图像和RPM的相似性。其次,为了更好地在图像处理的过程中获得更多并且有效的感受野信息,我们设计了残余的密集连接,然后使用像素周期性洗牌操作(Residual Dense Connections followed with Pixel Shuffle Operations,RDPS)来鼓励特性图重用并防止丢失分辨率。与其他方法相比,量化结果表明所提方法能在偏差-方差权衡中获得更好的性能,能够明显提高PET活度图像的信噪比,为临床影像诊断以及新药开发提供了强力支持。在实际应用中,为了获得可靠的图像质量,通常需要迭代算法。迭代算法收敛速度慢不可避免导致重建时间的增加;最近,由于GPU出色的并行计算能力使得深度学习在医学图像领域受到了广泛关注(比如去噪、重建、分类,分割),以医学图像去噪重建为例,训练过程可能产生对象中本来没有存在的图像细节,影响诊断,从上述两个问题考虑,设计算法通过定义数据一致性层(DC)嵌入到生成器中将投影数据与图像数据进行运算,利用投影数据为PET去噪重构过程提供了更合理有效的约束,不断矫正去噪过程中生成的图像,从带有条纹伪影和高噪声的FBP PET图像中恢复高质量的PET图像,计算机数字结果表明,新重建方法能够得到信噪比更高的重建图像,对PET重建方法的进一步研究有一定的参考价值。综上,本文对PET重建过程中的数据进行分析并针对性的根据其特性设计重建算法,实验证明提出算法能够取得上佳结果。其中,深度残差生成对抗网络算法的提出从新的角度对于PET图像数据的模型进行了再次研究,为算法的开发提供了启发性的思路;级联生成对抗网络的提出为PET图像后处理去噪重建提供了一种有效、灵活的模型框架,诸多现有的重建方法与之对比都稍显逊色。