【摘要】目的 基于多模态磁共振成像与深度学习的融合技术，构建DenseNet121及InceptionV3两种卷积神经网络模型，实现新生儿急性胆红素脑病的早期精准诊断。方法 选取覆盖苍白球区域的连续T1加权图像、T2加权图像、表观扩散系数图作为卷积神经网络输入，在T1WI、T2WI、ADC三种单模态数据集上分别训练DenseNet121(SoftMax)、InceptionV3(SoftMax)、DenseNet121+SVM和InceptionV3+SVM，比较不同分类器的性能。基于 DenseNet121和InceptionV3提取深度特征，采用支持向量机分类器，对不同模态特征融合方法进行比较。运用五倍交叉验证方法来评价模型的泛化能力，采用曲线下面积(AUC)、灵敏度、特异度、准确度、精确度、以及F1评分(F1-score)评估模型的分类性能。结果 在单模态特征中，InceptionV3+SVM和DenseNet121+SVM在T1WI上的AUC值最高，T2WI次之，ADC最低。InceptionV3+SVM和DenseNet121+SVM在双模态特征融合中的AUC值高于任何一个单模态特征的AUC值。在三模态特征融合 中，T1WI+T2WI+ADC特征融合的AUC值高于单模态及双模态特征的AUC值，其中DenseNet121+SVM表现最佳，AUC值为0.8730，准确度为88.17%。结论 多模态MRI结合深度学习为新生儿急性胆红素脑病的早期诊断和及时治疗提供了客观的影像学依据。