目的 探讨三维密集连接卷积网络（3D-DenseNet）通过MRI鉴别诊断高级别胶质瘤（HGGs）与单发脑转移瘤（BMs的价值，并比较不同序列建立的模型诊断性能。资料与方法 回顾性收集兰州大学第二医院2016年6月—2021年6月经手术病理证实的230例HGGs和111例BMs的T2WI及T1WI对比增强（T1C）影像资料，预先勾画出三维模型下的感兴趣区体积作为输Y-27632采购入数据，以7:3随机分为训练集254例和验证集87例，基于3D-D此网站enseNet分别构建T2WI、T1C及两种序列融合的预MFI Median fluorescence intensity测模型（T2-net、T1C-net和TS-net），通过受试者工作特征曲线评价各模型的预测效能并进行比较。结果 T1C-net、T2-net和TS-net在训练集和验证集的曲线下面积（AUC）分别为0.852、0.853,0.802、0.721,0.856、0.745。T1C-net在验证集的AUC及准确度高于T2-net和TS-net,TS-net在验证集的AUC及准确度高于T2-net,T1C-net与T2-net在验证集的AUC差异有统计学意义（P<0.05），而TS-net与T2-net、T1C-net与TS-net的AUC差异无统计学意义（P>0.05）。基于3D-DenseNet的T1C-net模型性能最优，验证集的准确度为80.5%，敏感度为90.9%，特异度为62.5%。结论 基于MRI常规序列的3D-DenseNet模型具有较好的诊断效能，在鉴别HGGs和BMs时T1C-net序列所建模型性能更好，深度学习模型可成为鉴别HGGs和BMs并指导临床制定精准化治疗方案的潜在工具。