文献综述（或调研报告）：
截止目前，研究人员提出了多种类型的抑制金属伪影的方法，之前主要分为投影数据校正法和迭代重建法，近年来，深度学习技术也被应用到了金属伪影抑制中。
投影插值法最早在 1987 年被Kalender[1]等人提出，通过对投影图中的金属轨迹区域进行线性插值来去除金属伪影，但是直接插值法虽然能够有效的去除金属伪影，但是可能会破坏图像中的组织结构，同时引入次生伪影，为了克服这些缺陷，研究人员们提出了多种基于先验图的投影数据校正法，利用不存在伪影的先验图像提供的组织结构信息来弥补插值过程中丢失的边缘信息，而该方法的重要步骤就是生成一张质量较好的先验图。
李铭[2]等提出了一种基于前向投影先验图的MAR方法，该方法首先是应用马尔可夫随机场模型（MRF）和贝叶斯技术对金属进行分割，之后使用带阈值约束的局部均值滤波算法对图像进行滤波，目的是在保护组织结构的同时抑制原始图像中的条纹状伪影，最后使用阈值技术和区域生长算法提取骨骼和软组织结构，生成最终的先验图。此方法主要在金属分割和图像滤波上做出了改进，可以在生成先验图的过程中防止误分割的情况出现，并在保护有用信息的同时抑制伪影，从而生成较好的先验图，进而提高结果图的质量。在此之后，李铭[3]等又对算法进行了改进，在上述方法的最后一个步骤做出了改进，将Mean Shift算法应用于滤波后的图像，可以更加精确地提取骨骼出结构。
王军[4]等提出了一种基于融合先验图的MAR方法，该方法的创新之处在于不是使用传统的分割方法来得到先验图，而是利用图像融合技术。该方法首先利用LI-MAR方法得到预处理结果，之后对LI-MAR结果进行滤波，目的是消除图中存在的次生伪影。然后利用原始未校正图像得到金属移除图像，再将滤波后的先验图与金属移除图像进行融合，得到融合先验图。融合的方法如下：
1.用LI-MAR图像减去该金属移除图像，得到差值图像，差值图像中具有较大差值强度的像素对应着射线硬化伪影，融合结果应该偏向于滤波后的 LI-MAR图像，以抑制伪影；较小差值强度的像素则主要对应着遭受破坏的骨结构，融合结果应该偏向于未修正 FBP图像，以保留骨结构。
2.将差值图像归一化，利用以下函数进行加权融合：
其中代表金属移除图像，代表滤波后的LI-MAR图像，是目标先验图，权重函数，, 其中代表差值图像，越大越小，融合结果就会偏向滤波后的LI-MAR图像；越小越大，融合结果就会偏向金属移除图像，n和d是融合调节参数，通过调节n和d可以控制融合图像中组织信息的保留程度。王军的方法利用加权融合方法得到的先验图像能够兼顾滤波图像和原始图像的优势，得到保留组织结构信息较多的先验图，我认为融合的方法或预处理图像的选取还有很大的改善空间，此方法还有继续改进的潜力。
迭代重建法也是一种常见的CT投影数据重建方法，该法不需要投影数据具备连续且完整的情况，可以重建出不含伪影、质量较好的CT图像。马继明[5]等提出了一种TV约束和解析类重建算法的结合的迭代重建方法，首先构建了以滤波反投影（FBP）重建算法为核心的迭代循环，并在此基础上引入TV约束条件，提出了TV约束迭代滤波反投影（TV-iFBP）CT重建方法。该方法虽然可以提高含有金属伪影的投影数据的重建结果质量，但是由于迭代法计算量复杂的固有劣势，在临床上应用前景依旧不好。
