脑胶质瘤是世界范围内青少年致死率第二高的恶性肿瘤,脑胶质瘤的准确定级对于优化治疗方案至关重要。对肿瘤组织通过穿刺活检进行组织病理学分析是当前脑胶质瘤定级的主要方法。然而脑部穿刺伴有较高的手术风险,容易出现采样失误并偶有并发症。当前,基于磁共振成像(MR)的脑部筛查为脑质瘤的诊断和定级提供了一种有效的非侵入性检查手段。近年来出现的“影像组学”(Radiomics)策略对MR影像数据进行深度挖掘,从海量的医学影像数据中提取高通量特征,通过量化分析来提高脑胶质瘤的诊断效率和准确率。本文采用影像组学方法对基于MR影像的脑胶质瘤高低级别分类进行深入研究,通过交互式的分割方法从MR影像中提取了高通量的特征,并采用特征降维方法筛选了多种重要图像特征,通过机器学习方法构建高低级别分类模型,为胶质瘤的个性化治疗提供决策支持。本文的主要研究内容包含以下三部分:(1)研究脑胶质瘤MR图像的感兴趣区域(即病灶部分)分割。针对MR影像中因灰度分布较为均匀导致肿瘤区域存在边界模糊的问题,提出一种基于局部结构张量与经典GrowCut相结合的交互式分割算法。该方法通过对图像局部结构张量和邻域灰度相似度的分析,改变了经典GrowCut算法中单一考虑邻域内灰度相似度的演化函数,实现对肿瘤图像边界分割精度的提高。并通过对比实验验证了该方法的有效性。(2)研究病灶区域的高通量特征矩阵构造。对病灶区域从统计学、形态学和图像纹理三方面提取一阶、形态和纹理高通量特征。针对提取的特征数据数目过多、信息冗余的问题,使用多种降维方法,筛选出具有高度显著性的特征组合,以减少不相关特征。并对降维后的多组高通量特征进行统计学分析,验证该数据的统计学意义。(3)研究基于机器学习的高低级别分类模型构建。通过对支持向量机算法和随机森林算法的研究,分析二者各自的特点。结合支持向量机算法与集成学习的优势,本文提出一种AdaBoost算法和支持向量机相结合的分类算法,该方法通过网格搜索实现分类模型的超参数寻优,构建脑胶质瘤图像高低级别的分类模型,并通过实验验证了该方法的分类准确性。