Purpose: The aim of this study is to determine and define differential magnetic resonance imaging (MRI) findings of pituitary adenomas and craniopharyngiomas. Materials and methods: This retrospective analysis was performed on MR imaging findings of 45 pituitary adenomas and 41 craniopharyngiomas with solid and cystic mixed appearance. MRI findings including shape ovoid, snowman, lobulation, chiasma compression, cavernous sinus invasion, 3rd ventricle compression, calcification, predominant type – cystic vs solid, contrast enhancement patterns – homogenous, reticular and extension were assessed. Results: Among MRI findings superiorly lobulated shape, third ventricle compression and reticular enhancement of solid parts were common in craniopharyngiomas while snowman shape, predominantly solid content, homogenous enhancement of solid parts were compatible with adenomas significantly at p <0.05 for all. Conclusion: Tumor shape and contrast enhancement patterns of solid parts seem discriminative MRI features for pituitary adenoma and craniopharyngiomas.

Objectives: To evaluate the performances of machine learning using semantic and radiomic features from magnetic resonance imaging data to distinguish cystic pituitary adenomas (CPA) from Rathke's cleft cysts (RCCs). Materials and Methods:The study involved 65 patients diagnosed with either CPA or RCCs.Multiple observers independently assessed the semantic features of the tumors on the magnetic resonance images.Radiomics features were extracted from T2-weighted, T1-weighted, and T1-contrast-enhanced images.Machine learning models, including Support Vector Machines (SVM), Logistic Regression (LR), and Light Gradient Boosting (LGB), were then trained and validated using semantic features only and a combination of semantic and radiomic features.Statistical analyses were carried out to compare the performance of these various models.Results: Machine learning models that combined semantic and radiomic features achieved higher levels of accuracy than models with semantic features only.Models with combined semantic and T2-weighted radiomics features achieved the highest test accuracies (93.8%, 92.3%, and 90.8% for LR, SVM, and LGB, respectively).The SVM model combined semantic features with T2-weighted radiomics features had statistically significantly better performance than semantic features only (p = 0.019). Conclusion:Our study demonstrates the significant potential of machine learning for differentiating CPA from RCCs.