现代医学对疾病的精准治疗要求医生在治疗前充分获取疾病的个体表征。对于肾结石和肾肿瘤这两种常见的肾脏病变,治疗前获取个体表征的好处在于:1)确定体内肾结石成分有助于医生选择适合的去石方法,提升预后效果;2)肾肿瘤的精准定位对优化手术路径,实现病灶区域的精准切除有重要的辅助意义;而肾肿瘤良恶性的分类可为医生诊疗提供支持,避免患者接受不必要的手术或药物治疗。近年来,计算机辅助诊断系统不断发展,使用机器学习对医学影像进行分析可以为医生提供更多有价值的信息。因此,本文基于CT图像探讨了机器学习在肾结石成分预测及肾肿瘤分割分类中的应用,具体工作如下:（1）基于机器学习的多标签分类融合框架在肾结石成分预测中的应用。本研究回溯性地收集了 252例肾结石患者的能谱CT图像,并构建了一个多标签分类融合框架进行肾结石成分的预测分类。首先,从肾结石患者的能谱CT图像中提取4组能谱分析（energyspectrumanalysis,ESA）特征用于后续的多标签分类建模;然后,建立由25种特征选择算法和10个多标签分类器构成的250个多标签基分类模型,探索不同基分类模型对结石成分的预测能力;最后,通过一种新型的多准则加权融合（Multi-Criterion Weighted Fusion,MCWF）方法对基分类模型中预测能力最好的前10个模型进行集成,并将集成结果与基分类模型、经典集成算法获得的结果进行比较。此外,研究进一步分析了 ESA特征,并从中筛选出了对结石成分预测最有用的10个特征。实验结果表明,研究构建的多标签分类融合框架在两个独立测试集上的分类精度Accexam分别达到81.2%和76.4%,能有效地预测出肾结石成分,可为医生制定针对性的治疗方案提供有力参考。筛选得到的10个关键特征包含了 7个有效原子序数直方图特征和3个物质分解密度特征,t-SNE降维可视化结果显示,这10个关键特征对结石成分具有很好的鉴别效果。（2）基于3DU-Net的肾肿瘤分割与分类方法研究。通过使用来自多中心的CT图像和多种图像预处理方法,以3D U-Net为基础构建分割与分类网络构建模型。首先,使用平扫期、皮髓质期、实质期和排泄期4个扫描时期的CT图像建立数据集;然后使用裁剪、重采样和标准化三种方法对图像进行预处理;最后将预处理后的图像输入网络进行训练、评估。研究将分割结果分别与1)仅使用皮髓质期图像构建模型和2)使用不同图像预处理方法构建模型获得的结果进行比较,并在训练集和测试集上评估了肿瘤的良恶性分类效果。实验初步结果验证了模型的有效性;下一步,将对图像的输入方式以及基础网络的选择继续研究。