基于生成对抗网络的对比剂免增强乳腺病灶检测与分类：合成对比增强乳腺X线摄影的深度学习新方法

这篇研究创新性地利用循环一致性生成对抗网络（CycleGAN）从全视野数字乳腺X线摄影（FFDM）生成合成对比增强乳腺X线图像（SynCEDM），在避免对比剂使用的条件下实现了91.2%的病灶检测准确率。通过构建包含3958对图像的临床数据集，研究证明SynCEDM与真实对比增强图像（CEDM）具有0.94±0.02的结构相似性（SSIM），且基于YOLO架构的检测模型敏感度达91.44%，为乳腺密度异常患者的无创诊断提供了新范式。

　　

^{关键发现解读}

本研究探索了多种基于乳腺X线摄影的乳腺癌病灶检测与分类模型。针对不同场景，我们开发了三个定制化YOLOv5模型：仅使用对比增强乳腺X线摄影（CEDM）图像的模型、CEDM与全视野数字乳腺X线摄影（FFDM）图像配对输入的模型，以及补充FFDM特征的CEDM增强模型。实验特别评估了胸肌剔除操作对模型性能的影响，这些结果突显了图像预处理对深度学习模型的关键作用。

^结论

本研究系统评估了基于CEDM和FFDM图像的深度学习乳腺病灶检测分类模型。通过不同模型配置和预处理技术的对比，我们发现采用类别平衡策略并结合胸肌剔除操作的模型表现出最优性能，这验证了数据平衡和预处理的重要性。迁移学习技术的应用进一步提升了模型在有限数据条件下的泛化能力，为临床实践提供了更可靠的计算机辅助诊断（CAD）工具。

（注：翻译严格遵循了专业术语标注、保留原文技术符号如YOLOv5/CEDM等要求，并采用生动表述如"定制化模型""数据平衡策略"等，同时去除了文献引用标识）