研究目的：为了简化对比增强乳腺x线摄影（CEM）检查工作流程、减少受检者的辐射剂量和曝光时间，我们开发了一个基于深度学习的人工智能系统，利用CEM低能图像直接生成CEM减影图像。

    研究方法：在这项多中心研究中，纳入了从2018年6月至2023年9月期间来自五个医疗中心的14200例CEM检查，将其分为训练和验证集、内部测试集和外部测试集。我们开发一个基于深度学习的CEM剪影图像生成系统（CEM-REGS），他的主网络名为ResViT，利用了视觉变换器对上下文的敏感性以及卷积算子的精确性和对抗学习的真实感，能够通过CEM低能图像直接生成模拟CEM剪影图像。我们采用定量评估和定性评估的方式来验证CEM-REGS的性能。定量评估包括在所有图像中计算图像相似性和误差指标，以及在部分有病灶的图像中计算增强肿瘤重叠分析的Dice系数。为了进行定性评估，我们从所有测试集中随机挑选了450对模拟和真实的CEM减影图像进行读者研究。七名具有6-15年经验的乳腺放射科医生，在不知道CEM减影图像是真实还是模拟的情况下，评估了图像质量（优秀、可接受、良好、差或不可接受），并结合原始CEM低能图像进行了疾病诊断（正常、良性或恶性）以及BI-RADS（乳腺成像报告与数据系统）评分。

    研究结果：定量评估结果显示，模拟CEM剪影图像与真实CEM剪影图像具有较高的相似性。内部测试集和外部测试集中分别为：峰值信噪比为32.57和31.91、结构相似度为0.938和0.924、直方图互信息指数为0.941和0.935；标准化均方根误差为0.024和0.023，对称平均绝对百分比误差为0.167和0.155，在部分有病灶的图像中计算增强肿瘤重叠分析的Dice系数0.84±0.15，定性评估结果显示模拟CEM剪影图像和真实CEM剪影图像的视觉质量相当(内部测试集，P = 0.35;外部验证集，P > 0.99)。基于模拟CEM剪影图像对疾病的诊断准确率(内部测试集:准确率为0.94，宏观F1评分为0.90;外部验证集:准确率= 0.85，宏观F1评分= 0.83)，模拟CEM剪影图像的BI-RADS评分与真实CEM剪影图像的BI-RADS评分基本一致(类内相关系数≥0.94)。

    研究结论：利用深度学习生成模拟CEM减影图像是可行的。通过我们所建立的CEM剪影图像生成系统（CEM-REGS）生成的模拟CEM减影图像在定量和定性分析中都展现出了较高的保真度。