CT扫描中不可避免的X射线辐射损伤是临床医师、工程专家及相关研究人员重点关注的问题。医学研究表明，CT扫描中使用的X射线具有辐射，过高的辐射剂量会造成被检查者的脱发和皮肤灼伤，甚至诱发癌症和遗传性疾病。临床中常采用降低管电流或管电压的方式来降低X光子的曝光量，达到降低辐射剂量的目的。然而，受到硬件的限制，X光子的照射量降低将导致探测器捕获的有效信号被测量噪声淹没，进而导致CT 影像质量下降不能满足临床的诊疗需求。

如何从低剂量扫描数据中重建出高质量CT图像是低剂量CT成像领域研究的热点。为解决低剂量CT成像问题，许多方法被提出，依据方法策略或建模对象的不同，可以将这些方法分为四类：（1）基于投影域前处理的低剂量CT成像，此类算法依靠探测器采集到投影数据的统计分布特性构建投影数据恢复模型，再利用滤波反投影算法重建出目标图像。然而，由于投影域中的一个像素点即对应着图像域中一整条射线路径，投影数据恢复所带来的误差极易在图像域引入难以消除的新伪影，是此类方法存在的固有局限。（2）基于图像域后处理的低剂量CT成像，此类方法直接对重建后的图像进行恢复。但图像域后处理方法无法有效地抑制低剂量图像中存在的结构性伪影，图像质量的提高受到限制；（3）基于迭代重建的低剂量CT成像，该类型方法根据测量数据的统计特性构建断层图像的目标函数，并在目标函数中引入正则化项，通过迭代求解目标函数，最终获得高分辨率、低噪声的CT重建图像。其中，经典的正则化包括字典学习、低秩张量分解和全变分（Total Variation，TV）及其变体。但统计迭代重建方法因需要迭代求解寻优，计算量大。（4）相较于上述传统方法，基于深度学习的低剂量CT成像方法因其学习特性表现出极佳性能，包括基于深度学习的投影数据恢复方法、基于深度学习的CT图像恢复方法以及基于深度学习的投影-图像跨域重建方法。

虽然当前基于深度学习的低剂量CT成像方法在性能上优于传统方法，但多为单一低剂量水平下的成像，如减低至常规剂量的1/4或1/8。当输入数据的剂量水平未知，或者超出训练数据集的剂量水平范围，网络的性能将受到影响。此外，在临床螺旋CT扫描协议中，常根据人体的不同部位进行自动管电流调制曝光，所采集的不同角度投影数据有较宽范围的剂量水平，进一步影响现有低剂量螺旋CT深度学习网络的性能。

为解决上述问题，研究针对自动曝光技术（AEC）的任意低剂量水平螺旋CT投影数据恢复方法，本文设计了一种基于三维小波残差密集群网络（3DWGRDN）结构的螺旋CT投影数据恢复模型，可实现任意低剂量水平的螺旋CT投影数据恢复。

1 方法

1.1 螺旋CT投影数据测量模型

在统计上，螺旋CT投影数据的测量模型近似服从于“泊松+高斯”的联合分布，其公式表达为：

信息化对区域创新能力的影响——马太效应存在吗....................................................................................................................................张 骞 吴晓飞（1）

其中，P表示对数变换后探测器单元处的正常剂量投影值。

(3) 对于屏蔽门打火等情况，应找出问题的根本原因并进行处理，不能一味地靠常闭车站钢轨电位限制装置来解决。

公式（1）和（2）表明，螺旋CT投影数据中的噪声与其期望值高度相关，在同一剂量水平下，对不同的病人进行扫描获取的投影数据中的噪声水平不同。另一方面，在临床螺旋CT扫描中，X射线球管曝光采用的AEC技术是依据患者定位像中X射线衰减信息自动生成的，如图1所示，解剖位置不同，衰减强度不同，曝光剂量不同，进而导致获取的投影中的噪声水平具有较大波动。由此可知，由于探测数据中噪声水平的波动，针对单一剂量水平进行训练的模型难以泛化至其他剂量水平，限制了此类方法在临床中曝光剂量复杂多变的情况下的应用。

1.2 基于噪声估计的螺旋CT投影数据恢复模型

公式（9）中，为投影数据VGG-19网络输出特征的像素数量。范数损失表示如下：

其中∈(0,0.5)，对于函数，＜0 时，φ=1，否则φ=0。

不同于一般针对于单一剂量水平的投影数据恢复模型，本文提出的投影数据恢复模型输入的训练数据为随机的低剂量水平投影数据，因此噪声估计模块的引入可以为不同低剂量水平投影数据的恢复过程提供更多的参考信息。此外，本文所设计模型的输入数据为三维容积数据，输出结果为三维容积数据的中间层投影，该策略可以充分利用连续投影数据之间的冗余信息，在投影数据恢复过程中更完整地保留组织结构特征。

1.3 网络结构

在本文提出的方法中，噪声估计模块与投影数据恢复模块采用相同的网络结构，三维小波残差密集群网络（3DWGRDN）。该网络结构由多尺度小波网络（MWCNN）进行扩展，在其中引入残差密集群网络块（GRDN Block）结构，如图3所示。该结构由上至下共分为三级扩展网络和三级收缩网络。在扩展网络中，输入数据先通过第一层的卷积操作进行尺度变换，然后分三级依次进行三维离散小波变换（3D-DWT）和残差密集群网络块（GRDN Block）处理。在收缩网络中，最终扩展网络输出结果分三级依次经过三维离散小波逆变换（3D-IDWT）、与同级扩展网络输出结果逐像素相加以及残差密集群网络块进行不同尺度的信息融合。三维离散小波变换（逆变换）与残差密集群网络的结合可以利用更深层网络实现目标图像不同频率特征的提取以及融合，从而获得更好的投影数据恢复效果。

图4 为残差密集群网络块结构。残差密集块（Residual Dense Block，RDB）共含有四个卷积层，将每一层的卷积输入与之前所有的卷积层输出结果级联，最终初始输入数据与最后一层卷积结果逐像素相加获得RDB模块输出结果，这样的结构设计使得模型专注于含噪图像与目标图像残差的学习。在GRDN Block（Group Residual Dense Network Block）中，首先连续三次实现RDB操作，然后级联所有RDB模块输出结果，使之前的RDB特征在卷积操作阶段实现融合，并将第一个卷积层输出与初始输入进行像素级加和，最后使用一个卷积层实现尺度变换。

三维小波残差密集群网络中采用三维离散小波变换（3D-DWT）及其逆变换（3D-IDWT）实现三维螺旋CT投影数据的分解和不同特征图信息的融合，将离散小波变换与逆变换结合在卷积神经网络中，通过学习滤波核，实现不同子带图像的特征提取与映射，由此避免传统U形网络架构中由池化层及上采样层所引起的分辨率丢失，从而保持特征图的锐利度。图5表示一次3D-DWT的过程，即对一个三维特征图依次从三个方向进行一维小波分解，获得八个具有不同频率特性的子带图像：X、X、X、X、X、X、X、X。例如，经过三维Haar变换之后，X在点(,,)可计算为：

加强与“两新”组织出资人、负责人沟通交流，坚持“引导不主导、参与不干预、协调不强制、监督不包揽”的原则，加强政治引领，充分发挥团结凝聚、组织协调、引导监督等作用，帮助解决生产经营、党建工作等方面的难题。为企业发展创造价值收益、为企业发展建言献策、为重点任务突击出力、为经营活动牵线搭桥，以党建推动企业发展，实现党建与企业深度融合、齐头并进，不断激发企业发展活力，转变业主存在的“重发展、轻党建”观念，达成党建工作是企业发展“助推器”的共识，真正实现党建与发展的互利双赢，用实效凝聚“两新”组织信党、拥党、爱党、为党。

其逆变换结果可推导得到：

1.4 损失函数

文化是旅游的灵魂，只有让文化不断“活化”，让游客感知到，才能发挥“灵魂”的作用。泰伯庙是传承吴文化重要的历史遗址。在做好历史文化遗址的现代开发方面，注重激活承担中国文化的传承者与守望者的主体意识，让群众认识到，旅游的本质也是一种精神文化活动，是满足旅游审美需求的社会文化现象，是文化创造同时也是文化消费的一种活动。

在模型的训练过程中，以常规剂量水平（200 mAs）为参考，随机生成不同低剂量水平的投影数据作为网络的输入，其范围可设置为常规剂量的1/20（10 mAs）至1/4（50 mAs），即公式（2）中的剂量缩放因子随机赋值的范围为［1/20,1/4］。常规剂量水平的螺旋CT投影数据则作为模型参数训练的目标。所提出的模型将连续的9个投影数据堆叠构成三维螺旋CT投影数据，并以此作为输入，最终输出中间的1个投影。

其中∇、∇分别表示沿水平方向和竖直方向的梯度算子。

对于“统一领导”的财务原则而言，在财务共享平台当中，煤矿企业需对财权予以合理的分配，适当放松对各个部门的绝对领导，并在条件允许的范围中，给予他们部分自由掌控权，让他们自行地对项目计划以及预算报表等予以制定。通过对财务共享平台的有效运用，领导层可以对企业资产与资金流向进行实时的掌握，以便于根据具体的经营状况来判断经营活动是否合理，这样既能够提升工作效率，还可以确保资金在运营过程中的安全。其次，就过分分权的相关煤炭企业而言，需从上至下进行大变革，通过财务共享来对经济活动进行牵制，增强对各个部门的管理，以此来确保资金的合理分配和运用，逐渐往现代化企业发展。

已有研究表明，对于任意噪声水平的螺旋CT投影数据，利用投影数据的噪声方差引导投影数据恢复模型可大幅提升其恢复效果，受此启发，本研究将利用低剂量螺旋CT投影数据的噪声方差图引导其恢复，然而实际应用中正常剂量投影及入射X射线强度不可获得，无法应用式（2）估计低剂量螺旋CT投影数据的噪声方差，因此，本文构建深度学习模型从低剂量螺旋CT投影数据本身估计其噪声方差。

综上所述，对于投影数据恢复任务来说，目标函数的构建主要有噪声估计损失和投影数据恢复损失构成，其网络目标函数表示为：

服务升级，品牌演出提升市民文化修养。以公共文化品牌满足大众期待。强化“精彩365·快乐每一天”文化惠民品牌建设，整合社会资源、优化文化产品供给。打造“建邺书房”“滨江之夏音乐节”“江心洲露天电影节”“24小时美术馆”特色品牌，不断延伸品牌内涵，推出多个针对细分受众的子品牌，涵盖戏剧、歌舞、话剧、影视等形式，构建公共文化品牌集群。

上式中，λ、λ和λ表示对应各部分损失函数的权重参数。

1.5 实验设计

以“The 2016 NIH-AAPM-Mayo Clinic Low Dose CT Grand Challenge”的临床公开数据集作为实验数据，对提出的基于三维小波残差密集群结构的低剂量螺旋CT投影数据恢复模型进行训练和测试。该数据集使用SIMENS公司64排螺旋CT机（Definition AS+）进行扫描，共10例患者，包括从胸腔到骨盆的螺旋投影集，扫描条件为管电流200 mAs，管电压120 kVp。实验随机从10例临床数据中挑选8例作为模型的训练集，另外2例分别作为测试集与验证集。

项目启动伊始，就以多批次等强度工作，替代“前期没事干”的常态。保持一个紧张、恒定的推进速度。将短期进度计划按需求和项目单位进行离散，随之将每期工作继续拆分成若干冲刺段，每次冲刺只解决一个核心问题，严禁一张假大空的甘特图，必须拆分。且每次冲刺的队员要最大程度地轮换。以多轮次迭代汇聚成交付产品。

滞回曲线是在力的往复加载作用下得到的荷载-变形曲线.它反映出结构在反复受力过程中的变形特征、刚度退化及能量消耗，是确定恢复力模型和进行非线性地震反应分析的依据，体现了结构的抗震性能[9].图5为本文不同构件的T-θ滞回曲线，纵轴T为施加的扭矩，横轴θ为扭转角.

深度学习网络框架中使用的三维卷积核大小为3×3×3，训练次数设置为800，学习率设置为=10，每迭代250次，学习率调整为0.5×，使用RMSprop优化算法迭代模型参数，动量设置为0.9。

实验采用当前流行的图像域低剂量CT恢复模型残差编码解码卷积神经网络、迭代残差卷积网络以及多尺度小波残差网络作为对比实验模型的网络结构，后文中分别表示为REDCNN、IRLNet、MWResNet。为比较本文提出的恢复模型与现有低剂量CT图像恢复网络对不同低剂量水平数据恢复效果的差异，实验选定通过常规剂量CT仿真的1/15（13 mAs）、1/10（20 mAs）两种低剂量水平螺旋CT投影数据作为测试数据。由于对比模型仅针对相同剂量水平CT图像进行恢复，因此先分别利用1/10常规剂量和1/15常规剂量重建图像及对应的正常剂量图像进行网络训练，得到针对这两种低剂量水平的CT 图像恢复模型。其中，IRLNet（1/10）、MWResNet（1/10）和REDCNN（1/10）表示为利用1/10常规剂量数据训练的网络；IRLNet（1/15）、MWResNet（1/15）和REDCNN（1/15）则表示为利用1/15常规剂量数据训练的网络。

为定量地评估不同CT恢复模型的性能，本研究选取了三个常用的量化指标，分别为归一化均方误差（NMSE），峰值信噪比（PSNR）以及结构相似性（SSIM）。归一化均方误差和峰值信噪比可以明确表现图像的噪声去除水平，结构相似性指标可以量化地说明图像恢复过程中的结构保持情况。并利用SPSS统计软件进行统计学分析，采用曼-惠特尼U检验。

那段时间，我一直顶着人们的冷眼在城里穿梭。我心里阴暗潮湿，简直要发霉了。那个猜不透的佟老板，还有我经历的那场车祸，这一切我越来越觉得混乱了。再看看原先鱼塘的地方，楼房正一天天长高，像个巨大的阴影立在那里，我的五脏六腑都被那阴影压迫着。

六名临床影像医师对70张测试图像的整体图像质量进行评分（10分制），并利用SPSS统计软件进行统计分析。评分结果以“均数±标准差”表示，分析中＜0.05表明差异具有统计学意义。图像质量评分采用曼-惠特尼检验，检验本文所提出方法与对比方法结果的总体均值是否有显著的差别。

为验证噪声估计模块对于后续投影数据恢复模块的指导作用，实验设计了一种仅含投影数据恢复模块（Denoising only）的模型，与加入噪声估计模块（NE）的网络模型进行对比实验。在实验中，两种模型均采用三维小波残差密集群网络结构，且同样以随机低剂量水平仿真数据作为输入。

2 结果

2.1 不同低剂量水平CT图像恢复效果

图6展示1/10常规剂量数据的网络恢复结果，显示窗为［-160,240］HU。如图所示，（A）LD与（B）HD分别表示1/10常规剂量螺旋CT投影数据与正常剂量螺旋CT投影数据重建图像。（D）、（E）、（F）是以1/10常规剂量作为训练数据的网络恢复图像，分别对应IRLNet（1/10）、MWResNet（1/10）、REDCNN（1/10）。（G）、（H）、（I）是以1/15常规剂量作为训练数据的网络恢复图像，分别对应IRLNet（1/15）、MWResNet（1/15）、REDCNN（1/15）。（C）表示本文所提出网络3DWGRDN恢复后投影数据重建的图像。绿框区域箭头所示的病灶可观察出低对比度阴影部分恢复效果，红色区域主要显示肝部纹理细节特征。在以1/10常规剂量作为训练数据的网络中，恢复图像（D）、（F）噪声与伪影都得到了抑制，而恢复图像（E）在肝部亮斑处失真最严重，未得到良好恢复。在以1/15常规剂量作为训练数据的网络恢复图像（G）、（H）、（I）中，图像的噪声与伪影同样得到抑制，但是恢复图像在肝部存在的阴影和亮斑结构都存在模糊，未得到良好恢复。例如绿框所示的病灶区域，对于低对比度的部分阴影，1/15数据训练恢复模型的恢复图像显得更模糊，其边界更难以分辨。在红色区域中，所有的图像域恢复网络的恢复图像（D）、（E）、（F）、（G）、（H）、（I）中，结构均被模糊并产生失真。本文提出的恢复策略结果（C）不仅具有明显的伪影及噪声去除效果，并精确的保留了结构特征和必要的病灶，可以明显观察出结构边缘与肝部的病灶区域。

图7展示1/15常规剂量（13 mAs）的胸腔数据的网络恢复结果，显示窗为［-1075,225］HU。如图所示，（A）与（B）分别表示低剂量投影数据与正常剂量投影数据重建图像。（D）、（E）、（F）是以1/10常规剂量作为训练数据的网络恢复图像，分别对应IRLNet（1/10）、MWResNet（1/10）、REDCNN（1/10）。（G）、（H）、（I）是以1/15常规剂量作为训练数据的网络恢复图像，分别对应IRLNet（1/15）、MWResNet（1/15）、REDCNN（1/15）。（C）表示本文所提出网络3DWGRDN恢复后投影数据重建的图像。红色及绿色箭头所示位置可以观察到低剂量图像中条形伪影在不同模型中的恢复情况。在以1/15常规剂量作为训练数据的网络中，IRLNet（1/15）、REDCNN（1/15）的恢复图像（G）、（I）中噪声与伪影只得到了部分抑制，如绿色框中组织部分的条形伪影。MWResNet（1/15）恢复图像（H）基本去除低剂量图像中的条形伪影。在以1/10常规剂量作为训练数据的网络恢复图像（D）、（E）、（F）中，其噪声与伪影都得到了恢复，但是其恢复效果全部出现不同程度的下降。例如绿框所示的条形伪影，（D）、（E）、（F）中其伪影比对应的1/15网络（G）、（H）、（I）更强。另外在红色区域中，（D）、（E）、（F）、（G）、（H）、（I）在软组织边缘仍然存在条形伪影。本文所提出的方法恢复效果图（C）具有良好的伪影、噪声去除效果和结构保持程度。

表1和表2分别展示了1/10常规剂量投影数据重建图像（图6）和1/15常规剂量投影数据重建图像（图7）恢复结果的定量指标。由表1可知，通过1/10和1/15常规剂量数据训练出的网络对1/10常规剂量扫描数据进行恢复时，从NMSE、PSNR、SSIM 3个定量指标来看，1/10网络均优于1/15网络。对表2进行观察，实验结果与表1相反，对1/15常规剂量重建图像来说，在恢复效果上除MWResNet在SSIM指标的表现，其余指标均为1/15常规剂量投影数据训练出的网络更为优秀或持平。另外，由表1和表2可以发现，本文提出的3DWGRDN低剂量螺旋CT恢复模型的表现最好，相比于其他CT图像恢复模型，峰值信噪比提升了0.47%（29.744329.6049）～4.12%（29.095127.9429）。结构相似性指标上提升最为显著，为5.79%（0.72510.6854）～17.46%（0.73520.6259），利用SPSS软件进行曼-惠特尼检验，值均小于0.05。

表3为7种不同低剂量CT恢复模型恢复结果的整体图像质量评分统计情况。其中，本文所提出的3DWGRDN模型整体评分最高，均值相较于其他模型提升7.19%（7.316±1.2076.825±1.160）至17.38%（7.316±1.2076.233±1.400），值最大为0.048，均小于0.05，差异具有统计学意义。

2.2 噪声估计模块准确性验证结果

图8展示的是两种不同低剂量水平投影数据输入至噪声估计模型的输出结果。由上至下（A）、（B）、（C）、（D）分别为1/10常规剂量投影噪声方差图真值、1/10常规剂量投影噪声方差图估计结果、1/15常规剂量投影噪声方差图真值、1/15常规剂量投影噪声方差图估计结果。1/10与1/15常规剂量投影数据噪声方差图估计值与真实值差异的均值分别是3.80×10和1.59×10。

2.3 噪声估计模块必要性验证结果

图9为对噪声估计模块的验证实验中，两种恢复模型的恢复结果。其中（A）为正常剂量投影数据重建图像，（B）、（D）两图分别为1/10 常规剂量数据经过3DWGRDN（Denoising only）和3DWGRDN（NE +Denoising）的恢复结果，（C）、（E）分别为1/15常规剂量数据经过3DWGRDN（Denoising only）和3DWGRDN（NE+Denoising）的恢复结果。在1/10常规剂量数据恢复结果（B）、（D）中，两幅图像表征相似，但（B）图中在肝部边缘部分相对出现条状伪影。观察1/15常规剂量恢复图像（C）、（E）发现，不含噪声估计模块的恢复图像（C）无论是噪声伪影表征，还是肝部亮斑细节都弱于图（E）。表4为图9所示图像的定量评价指标，表中数据清晰显示，在针对于同一种低剂量水平投影数据的恢复结果中，含有噪声估计模块的投影数据恢复模型3DWGRDN（NE+Denoising）在NMSE、PSNR 和SSIM的指标上均高于仅含投影数据恢复模块的模型3DWGRDN（Denoising only）。

本区表层土壤Zn含量较低，变化范围为39.2～88.4 mg/kg，均值为56.23 mg/kg，远远低于农用地土壤污染风险筛选值(200 mg/kg)[4]，表明土壤环境质量中单指标Zn处于清洁状态。

3 讨论

在1/10常规剂量数据的网络恢复实验结果中，利用噪声水平更高的输入数据训练模型时，虽然恢复结果中的噪声得到了很好的去除，但是会出现边缘以及组织细节结构的损失。对比图7展示的1/15常规剂量胸腔数据的网络恢复结果以及表2的量化指标，在噪声水平欠估计的情况下，针对单一剂量水平进行训练的恢复模型必然造成伪影去除不完全、去噪效果下降的结果。另外，综合以上两项实验，可以得出结论：仅从图像域进行低剂量CT图像恢复难以还原噪声特性，对于结构性的伪影去除效果不如本文所使用的低剂量螺旋CT投影数据处理方法，容易对诊断过程造成误导。在本文提出的3DWGRDN中，不仅在两种低剂量水平下都有最佳的伪影及噪声去除效果，并精确的保留了结构特征和必要的病灶，可以明显观察出结构边缘与肝部的病灶区域。对于定量指标评价，尤其在SSIM表现方面，本文所提出的恢复策略与普通针对单一剂量水平的低剂量去噪网络相比有很大的优势，这主要是由于本文采用低剂量螺旋CT投影数据恢复方法并且对噪声进行了准确的估计。

通过图8结果发现，将1/10、1/15两组低剂量水平投影数据的噪声方差图估计以及真值放在一起进行比较，噪声估计模型的输出结果会随着低剂量水平的变化而发生改变，其趋势与真实投影数据的噪声方差图相同。实验结果验证了本文所使用的噪声估计模块的准确性。

立春仪 立春是二十四节气之一，又能 称“打春”。传统习俗以立春为春季的开始，达斡尔族对其很重视，这一天家家户户要吃春饼，俗称 “咬春”。还要给耕牛的犄角涂抹红色，表示立春见喜，希望耕牛在春耕中多出力，秋天有好的收成。

在噪声估计模块的验证实验中，通过图像分析（图9）与定量指标（表4）比较，噪声估计模块可以有效指导投影数据恢复工作，大幅提升低剂量投影数据恢复效果。其结果证明在缺乏噪声估计模块时，即使采用相同的投影数据恢复模型，恢复后螺旋CT投影数据的重建图像仍会产生伪影。实验验证了投影噪声估计模块的必要性。

本文所提出的低剂量螺旋CT投影数据恢复方法主要贡献在于实现了任意低剂量水平投影数据的稳定恢复，继而可以重建得到噪声水平下降、低剂量扫描引起的伪影被有效去除的断层图像。其中，初始低剂量螺旋CT投影数据信息使用噪声估计模块估计出噪声方差图，投影数据恢复模块将估计的噪声方差图作为指导，实现不同剂量水平的投影数据恢复。两个模块均使用三维小波残差密集群网络结构，通过三维离散小波变换及其逆变换实现恢复网络中图像的下采样和上采样。低剂量螺旋CT投影数据依靠小波变换（逆变换）的正交性，在经过图像特征提取与重组后，依然保持信息的完整，有效避免了恢复图像中出现的新伪影和组织结构失真现象。对于噪声估计模块，针对单一噪声水平的一般恢复模型恢复噪声级别更高的图像会出现去噪不足，保留明显的伪影；恢复噪声级别更低的图像会出现模糊效果。因此，本文提出策略利用非对称损失对真实噪声进行学习，提高对真实噪声估计的泛化能力，更好的实现去噪效果。

值得注意的是，由于本文所提出的模型关键点在于估计低剂量螺旋CT投影数据中噪声方差图，用于引导低剂量投影数据恢复。如果直接对投影数据进行恢复，尽管可以实现有效的去噪效果，但是由于投影数据恢复方法的局限性，其重建图像结果会出现模糊效应。

本工作在未来的研究可从两个方面开展，对于噪声方差图的估计准确性提升和寻找更为有效的利用方式。噪声估计模块输出结果的准确性与后续投影数据恢复效果具有很强的相关性，如何设计更为有效的噪声估计模型实现噪声方差图的准确估计将是本研究的下一步方向；另外，在下一步研究中，需要探索其他方法通过估计出的噪声方差图信息来更好地实现低剂量螺旋CT投影数据及其重建图像的恢复任务。

我们挑选了精美的服装，搜集了各色道具，将台词熟背于心，然后闪亮登场啦！Look，we are dancing at Christmas.The other group is performing the story of Lazy Billy to celebrate Christmas.What great fun！