[目的]探讨基于MRI T2加权脂肪抑制序列图像的卷积神经网络(CNN)应用于鉴别不同类型肾脏实质肿瘤的可行性及诊断效能。[材料与方法]回顾性分析2015年5月至2018年8月我院186例术前接受了双肾MRI扫描并经病理证实的肾脏实质肿瘤患者(共186个病灶),其中透明细胞癌74例,乳头状细胞癌39例,嫌色细胞癌43例,血管平滑肌脂肪瘤30例。从PACS中拷贝这些患者的T2加权脂肪抑制序列MRI图像,使用ITK-SNAP软件手动对感兴趣区(ROI)进行勾画。将勾画后的图像进行预处理,应用CNN方法建立深度学习模型。将预处理后得到的6501个ROI图像块作为模型的训练集,其余460个ROI图像块作为测试集。绘制ROC曲线对模型进行评价,并计算其准确率、精度、敏感度、特异度、F1分数及曲线下面积(AUC)。[结果]该模型的总准确率(overallaccuracy,OA)、平均准确率(average accuracy,AA)和宏平均AUC(macro-average AUC)值分别为71%、86%和0.90。不同分型(透明细胞癌、乳头状细胞癌、嫌色细胞癌以及血管平滑肌脂肪瘤)的AUC值分别为 0.92,0.87,0.88 和 0.93。[结论]该研究表明基于MRI T2WI序列的深度学习卷积神经网络应用于鉴别不同类型肾实质肿瘤具有可行性,且具有较高的诊断效能。[目的]探讨基于动态对比增强MRI的卷积神经网络(CNN)应用于鉴别不同类型肾脏实质肿瘤的可行性。[材料与方法]回顾性分析2015年5月至2018年8月我院149例术前接受了双肾DCE-MRI扫描并经病理证实的肾脏实质肿瘤患者(共149个病灶),其中肾透明细胞癌71例、嫌色细胞肾细胞癌36例、乳头状肾细胞癌14例,肾血管平滑肌脂肪瘤28例。根据术后病理的不同类型将患者分为四组。从PACS中拷贝这些患者的DCE-MRI图像,从中选择皮髓质晚期、实质期及排泄期三期图像进行配准,使用ITK-SNAP软件手动对感兴趣区(ROI)进行勾画。将勾画后的图像进行预处理,应用CNN方法建立深度学习模型。将预处理后得到的14066个立方ROI图像块作为模型的训练集,其余1626个立方ROI图像块作为测试集。对模型的准确率、精度、敏感度、特异度、F1分数及ROC曲线下面积(AUC)进行计算。[结果]该模型的总体准确率(overall accuracy,OA)、平均准确率(average accuracy,AA)和宏平均 AUC(macro-average AUC)值分别为 75%、88%和 0.90。不同分型(透明细胞癌、嫌色细胞癌、乳头状细胞癌以及血管平滑肌脂肪瘤)的F1分数分别为0.79,0.74,0.78和0.72,不同分型(透明细胞癌、嫌色细胞癌、乳头状细胞癌以及血管平滑肌脂肪瘤)的AUC值分别为0.94,0.89,0.93和0.84。[结论]该研究表明基于动态对比增强MRI的卷积神经网络(CNN)应用于鉴别不同类型肾脏实质肿瘤具有可行性。