目的:图像分割是医学影像分析领域中的关键步骤之一,分割效率和结果的精细程度直接关系到临床治疗和科学研究的时效性与准确性,随着深度神经网络架构的进步和医学影像分割需求的提高,深度学习方法被广泛应用于在包括肿瘤分割在内的各种医学图像处理任务中。目前国内外使用深度学习方法对垂体腺瘤MRI图像进行分割的研究报道较少,本研究拟探讨基于卷积神经网络的深度学习模型对3D-CUBE T1WI对比增强MRI图像上的垂体腺瘤及鞍区组织（垂体、视神经、颈内动脉、海绵窦）进行语义分割的效果,并将深度学习模型的分割结果应用于鞍区三维重建,以提高垂体性腺瘤MRI图像的分割效率并推动其向临床应用转化。资料与方法:收集2019年1月至2021年12月间在我院行垂体MRI 3D-CUBE T1WI对比增强检查的符合研究条件者共72例（共计5816张冠状位和矢状位高分辨率MRI图像）,患者平均年龄24±10.5岁,肿瘤组织最大径线平均值16±4.2mm;其中泌乳素瘤58例、生长激素瘤7例、促肾上腺皮质激素瘤5例,其他2例。图像经裁剪、预处理与数据增强后,构建包含1008例垂体腺瘤MRI容积图像的三维数据集,以其中的80%作为训练集,20%作为测试集,输入基于四种不同3D卷积神经网络架构（U-Net 3D、Dense-Net 3D、V-Net与Dense-Voxel-Net）的深度学习模型中进行训练和测试,比较各网络对垂体腺瘤及邻近鞍区组织的分割效果,并将分割结果应用于鞍区三维重建。结果:准确率结果:深度神经网络在垂体腺瘤MRI图像分割任务上表现出良好的学习能力,基于四种不同3D卷积神经网络的深度学习模型在测试集上的平均Dice系数分别为84.83%（Unet-3D）、85.41%（Dense-Net 3D）、81.44%（V-Net）和83.42%（Dense-Voxel-Net）;模型在对肿瘤组织、视神经与脑组织、双侧颈内动脉的分割上表现较好,分别达到91.53%（Unet-3D）、90.41%（Dense-Net 3D）、90.80%（Unet-3D）,而对正常垂体组织与双侧海绵窦的分割效果欠佳,分别达到54.22%（Unet-3D）、39.78%（Dense-Voxel-Net）。训练耗时与显存占用:四种网络的训练耗时与GPU显存的使用情况分别为9h 26min/16.2GB（Unet-3D）、12h 15min/19.0 GB（Dense-Net 3D）、11h 33min/20.5 GB（V-Net）和12h30min/21.0 GB（Dense-Voxel-Net）。权重参数体积与单位图像耗时:各网络的权重参数体积与处理单例图像所需的时间分别为6.8 MB/0.52s（Unet-3D）、6.02MB/0.72s（Dense-Net 3D）、174 MB/1.63s（V-Net）和6.88 MB/0.75s（Dense-Voxel-Net）。结论:3D卷积神经网络模型在对3D-CUBE T1WI对比增强MRI图像上的垂体腺瘤及鞍区组织分割的效果良好,主要表现在对肿瘤组织、视神经与脑组织、双侧颈内动脉的分割中,对测试集的验证结果表明模型具有一定的稳健性和泛化能力,证明了深度学习方法在垂体腺瘤分割任务中的有效性。通过将分割结果进行可视化和三维重建,可以满足部分临床和科研需求,能够在人工智能和精准医疗的大背景下为垂体腺瘤患者的临床治疗、术前评估及预后评价提供有价值的信息。