目的 基于深度学习方法对颈动脉高分辨磁共振成像（high resolution magnetic resonance imaging, HR-MRI）中的动脉与斑块特征进行学习，实现以平扫T1WI生成虚拟对比增强T1WI(virtual contrast enhanced-T1WI, vce-T1WI)，并判断生成的vce-T1WI图像对颈动脉斑块内的脂质坏死核心的检出水平。材料与方法 纳入303例颈动脉狭窄患者双侧共486根颈动脉的T1WI图像与真实的对比增强T1WI图像（contrast enhanced T1WI, CE-T1WI），按照4∶1∶1的比例划分训练集、验证集与测试集并采用五折交叉验证法进行生成网络的训练，测试集中共81张颈动脉图像。采用两种不同策略的深度学习方法（pix2pix、Cycle GAN）实现平扫T1WI生成vce-T1WI图像。采用峰值信噪比（peak signal-to-noise ratio, PSNR）、结构相似性（structural similarity, SSIM）和主观视觉质量评分评估两种模型生成的vce-T1WI图像质量。以医生基于真实的CE-T1WI图像判断结果为金标准，评价vce-T1WI图像诊断斑块内脂质坏死核心的效能。结果 pix2pix、Cycle GAN生成的vce-T1WI图像在相同的测试集中PSNR平均得分分别为20.206、19.717,SSIM平均得分分别为0.591、0.635；主观视觉质量评估得分大于2分的比例分别为95.1%、97.5%；对斑块内脂质坏死核心的检出准确率分别为82.7%、74.1%。结论 基于深度学习方法可以从颈动脉HR-MRI平扫T1WI图像中生成高质量的vce-T1WI图像，且Cycle GAN生成的图像具有较高的斑块内脂质坏死核心检测准确率。深度学习方法可以拓宽HR-MRI临床应用范围，降低对比剂不良反应的产生风险。