Η ψηφιακή τομοσύνθεση στην τρισδιάστατη απεικόνιση μαστών, είναι μια μέθοδος ανακατασκευής οποιουδήποτε αριθμού τομογραφικών επιπέδων τυχαίου προσανατολισμού, στη βάση ψηφιοποιημένων προβολικών εικόνων της εξεταζόμενης περιοχής, που λαμβάνονται κατά την διάρκεια της περιστροφής του συστήματος ακτινολογική λυχνία-ενισχυτής εικόνας με κέντρο το ισόκεντρο του μηχανήματος και κατά το προεπιλεγμένο τόξο. Δυστυχώς, σε περιπτώσεις αυξημένης πυκνότητας μαστών, η ποιότητα των ανακατασκευασμένων επιπέδων επηρεάζεται από θόρυβο, λόγω των επιπροβαλλόμενων στοιχείων υπερκείμενων ή υποκείμενων επιπέδων. Το αντικείμενο που πραγματεύεται η εργασία, είναι η μελέτη διαφόρων τεχνικών επεξεργασίας των τομών, που θα μπορούσαν να αφαιρέσουν το θόρυβο από τα ανακατασκευασμένα επίπεδα και να βελτιώσουν την ποιότητά τους. Για αυτόν το λόγο, δημιουργήθηκαν τρία πειραματκά phantoms διαφορετικής πολυπλοκότητας, στα οποία προστέθηκαν δυσμορφίες που αντιπροσωπεύουν μικρές ασβεστοποιήσεις και μάζες χαμηλής αντίθεσης. Στη συνέχεια, υποβλήθηκαν στην προσομειωμένη απεικόνιση με ακτίνες Χ, προκειμένου να παραχθεί ένα σύνολο προβολικών εικόνων σε τόξο εύρους από -20° έως +20° κάθε 2°. Οι ακτινοβολημένοι όγκοι ανακατασκευάστηκαν μέσω του αλγόριθμου πολλαπλών προβολών (MPA), γραμμένο σε Matlab. Οι ανακατασκευασμένες φέτες έχουν πλάτος λιγότερο από 1mm, προκειμένου να ανιχνευθούν μικρές ασβεστοποιήσεις. Αναπτύχθηκαν και αξιολογήθηκαν πειραματικά δύο αλγόριθμοι για την περαιτέρω επεξεργασία των λαμβανόμενων τομών. Ο πρώτος είναι βασισμένος στην λογαριθμική μέθοδο αφαίρεσης δομών που βρίσκονται εκτός επιπέδου ενδιαφέροντος, συνδυάζοντας τεχνικές τονισμού της εικόνας. Η δεύτερη τεχνική εκτελεί το φιλτράρισμα της εικόνας, συγκρίνοντας τις τιμές των pixel, σε όλο τoν όγκο προς ανακατασκευή. Η ποιότητα της εικόνας καθορίστηκε μέσω της οπτικής αξιολόγησης των ανακατασκευασμένων επιπέδων καθώς και τον υπολογισμό του CNR. Και οι δύο αξιολογήσεις κατέδειξαν καλή διαχωριστική και αφαίρετική ικανότητα του τομογραφικού θορύβου. Το MPA σε συνδυασμό με τους προτεινόμενους αλγορίθμους αφαίρεσης θορύβου, μείωσε τον τομογραφικό θόρυβο στις ανακατασκευασμένες εικόνες και αύξησε το CNR. Περαιτέρω μελέτες θα περιλαμβάνουν την ανάπτυξη ενός γενικευμένου αλγορίθμου αφαίρεσης θορύβου που θα συνδυάσει τις προτεινόμενες δύο τεχνικές. / Digital tomosynthesis for breast imaging is a method of reconstructing any number of tomographic planes, by using a set of limited angle projections, acquired as the X-ray source moves in an arc around the breast. Unfortunately, in case of dense breasts, the quality of the reconstructed planes is affected by structured noise, due to blur from planes other than the fulcrum plane. The purpose of this project is to study different post-processing techniques that could remove the noise from the reconstructed planes and improve their quality. For this purpose, three software phantoms of different complexity with inserted abnormalities that represent small micro calcifications and low-contrast masses were created. Subsequently, they were subjected to x-ray imaging simulation in order to produce a set of projection images in the gantry arc from -200 to 200 every 20. The irradiated volumes were reconstructed with the Multiple Projections reconstruction Algorithm (MPA) written in Matlab. Reconstructed slices were with width of less than 1mm width, in order to detect the small microcalcifications. Two algorithms for removing unwanted structured noise were explored. The first one is based on the iterative logarithmic subtraction method of unrelated structures combined with image enhancement techniques. The second technique performs a filtering action based on a pixel intensity value comparison, throughout the phantom volume. Image quality was assessed by evaluation of the reconstructed planes in terms of both visual assessment and contrast to noise ratio (CNR). Both evaluations demonstrated good noise discrimination and elimination, followed by an improvement of the contrast and visibility of abnormalities in tomograms. The MPA followed by the proposed noise removal algorithms resulted in less noisy tomosynthesis images, higher CNR and feature contrast for both low- and high contrast details. Further studies include developing of a generalised noise removal algorithm that will combine the proposed two techniques.