Antecedentes: Distinguir entre la médula espinal y el líquido cefalorraquídeo (LCR) de manera no invasiva en TC es un desafío debido a sus densidades de masa similares. Hipotetizamos que el aprendizaje automático basado en parches aplicado a la TC de doble energía puede distinguir con precisión el LCR de los tejidos neurales u otros tejidos basándose en el voxel central y los voxeles vecinos. Métodos: 88 regiones de interés (ROIs) de exámenes de TC lumbar de doble energía (100 y 140 kVp) de 12 pacientes fueron etiquetadas manualmente por un neurorradiólogo como uno de 4 tipos principales de tejido (agua, grasa, hueso y tejido blando no específico). Se entrenaron, validaron y probaron redes neuronales convolucionales de clasificador de cuatro clases en miles de parches no superpuestos extraídos de 82 ROIs entre 11 exámenes de TC, con cada parche representando valores de píxeles (a bajas y altas energías) de pequeños volúmenes de TC 3D rectangulares. Se evaluaron diferentes tamaños de parches, que variaron de 3 x 3 x 3 x 2 a 7 x 7 x 7 x 2. Se probó un modelo de conjunto final que incorpora todos los tamaños de parches en parches extraídos de seis ROIs en un paciente de retención. Resultados: Los modelos individuales mostraron precisiones de prueba generales que variaron del 99.8% para parches de 3 x 3 x 3 x 2 (N = 19,423) al 98.1% para parches de 7 x 7 x 7 x 2 (N = 1298). El modelo de conjunto final mostró una precisión de clasificación de prueba del 99.4%, con sensibilidades y especificidades del 90% y 99.6%, respectivamente, para la clase de agua y del 98.6% y 100% para la clase de tejido blando. Conclusiones: Las redes neuronales convolucionales que utilizan características locales de bajo nivel en TC de columna vertebral de doble energía pueden proporcionar una clasificación precisa de tejidos y mejorar la visualización del tejido neural intraespinal.