目的 提出一种基于中心指导与交替优化的低剂量CT图像恢复方法（FedGP）。方法 FedGP框架革新了传统的联邦学习模式，采用无固定中央服务器的结构，每个机构交替担任中心服务器。该方法采用机构调制的CT图像恢复网络作为客户端局部训练的核心，通过中心指导和交替优化的联邦学习方法，中央服务器利用本地标记数据指导客户端局部网络训练，从而显著提升多机构低剂量CT图像恢复模型的泛化能力。结果 在低管电流和稀疏角度CT图像恢复任务中，与其他对比的联邦学习方法相比，FedGP方法的CT图像结果在视觉和定量评估上均有明显优势，FedGP获得了最高的PSNR指标（40.25和38.84）、最高的SSIM指标（0.95和0.92）以及最低的RMSE指标（2.39和2.56）。此外，FedGP的消融实验结果表明基于中心指导与交替优化的联邦学习框架能更好适应各机构之间的数据异构性，确保模型在各类成像条件下的稳健性和泛化能力。结论 本文提出的FedGP为解决CT成像异质性问题提供了一个更灵活的FL框架，可以更好地适应不同参与方的数据特征，提高模型在多样化成像几何的泛化能力。