چکیده: کسب دانش از منبع تاثیرات، همواره رویایی بوده است که اکتشافات آن باعث شگفتی انسان شده است. محدودیت‌ها و چالش‌هایی که در این راستا وجود داشته است، مانعی بر پیشرفت فناوری بوده‌است. امروزه استفاده از فناوری تصویربرداری پزشکی، بخش مهمی از تشخیص و غربالگری بیماری است. با این حال، ماهیت مضر و زمان‌بر بودن آن، دسترسی و استفاده از آن را با مشکل مواجه کرده‌است. با کاهش دوز، نویزی در نتایج ایجاد می‌شود و استفاده از آن‌ها را چالش برانگیز و یا غیرممکن می‌کند. اسکن برش‌نگاری رایانه‌ای، یک روش تصویربرداری پزشکی با کاربردهای فراوان است؛ با این حال، به دلیل آسیب‌زایی اشعه آن به طور محدود با دوره‌های طولانی استفاده می‌شود. با کاهش دوز، این رویکرد، پتانسیل استفاده گسترده‌تر با دوره‌های کوتاه‌تر را ارائه می‌دهد. این یک مسئله معکوس است که یک رویکرد برای پرداختن به آن از طریق استفاده از روش‌های تکراری است که معمولا نیاز به دانش پیشین دارند. با تخمین توزیع آماری تصاویر دوز معمولی، می‌توان برازش تصاویر دوز پایین را ارزیابی کرد. در این پایان‌نامه، سعی بر آن است تا با استفاده از جریان‌های عادی‌سازی پیوسته بی‌نهایت کوچک، به عنوان تنظیم‌کننده در یک روش تکراری، نویز تصاویر نهایی را در مقیاس محلی کاهش دهیم. این روش به ما امکان محاسبه دقیق تابع چگالی احتمال را می‌دهد. در آموزش مدل، تنها از ۶ تصویر استفاده می‌کنیم و برای ارزیابی مدل پیشنهادی از معیارهای SSIM و PSNR استفاده می‌نماییم. مدل پیشنهادی ما، نسبت به مدل های دیگر تعداد پارامتر کمتری دارد و با 5,184 پارامتر آموزش می‌بیند. به طور متوسط، آزمایش‌های انجام شده با مجموعه داده‌ی LoDoPaB-Ct، بهبود کیفیت قابل توجه‌ای را در SSIM نشان می‌دهند که نویدبخش نتایج بهتر در پژوهش در این حوزه است. در ارزیابی کمی، مدل ما با معیار MSSSIM مقدار 0.950، با معیار SSIM مقدار 0.834، و با معیار PSNR مقدار 32.02 را به طور متوسط نشان داد.