目的:训练U-Net深度学习模型对乳腺动态增强磁共振图像(DCE-MRI)上乳腺肿块进行自动分割、定位和体积测量,并将结果自动导入结构化报告中,探讨其植入临床工作流程的可行性,旨在提高诊断效率和效能.方法:回顾性分析2015年2月1日-2016年12月31日本院所有乳腺MR影像和报告资料,将已取得活检但尚未治疗的88例连续乳腺癌患者的数据纳入本研究.将入组病例随机分为训练集(train set,70例)、调优集(validation set,9例)和测试集(test set,9例).完成MR图像数据格式转换后,由两位放射科医师在每例患者的MR图像上标注双侧乳腺,并标注1个最大且经病理证实的肿块.训练集中采用U-Net分割模型在DCE-MRI图像上分割乳腺轮廓,并序贯分割其中明显强化的肿块灶.客观评价:以测试集中肿块的Dice相似性系数(Dice similarity coefficient,DSC)值评价肿块分割效果.主观评价:由2位乳腺影像诊断专家对模型预测病灶的准确性进行评估,分析假阳性病灶的性质和特征.由U-net模型输出的分割肿块的三维径线、体积和定位信息,自动填写到乳腺BI-RADS结构化报告中,并与既往影像报告中医师人工测量的结果进行比较.结果:在测试集中专家标注了9个病灶,模型检出了其中7个病灶,敏感度为77.8％(7/9);2个未预测出的病灶,1个肿瘤主体部分有明显坏死,另1个为背景显著强化.在测试集中模型预测出了16个“假阳性”区域,其中10个为腺体内多发小的强化灶,4个为乳腺癌周围子灶,2个为强化的乳头和血管等.软件自动测量肿块的三维径线和医师手工测量乳腺病灶径线一致性高.模型分割肿块的平均DSC值为0.85.结论:U-Net深度学习模型可用于乳腺DCE-MRI图像上有明显强化病灶的分割和径线测量,有必要行大样本研究以论证和实现其临床应用.