目的:脑胶质瘤是成年人最常见的脑内原发性肿瘤,预后不良,精准的术前分级是个体化治疗的重要前提,是最佳预后的保障。MR检查技术是胶质瘤术前评估的主要手段。本研究探讨基于常规MR序列的定性分析、基于多模态MR序列的定量分析以及基于3D分割技术的多模态MR影像组学分析在脑胶质瘤术前病理分级诊断中的应用价值,以及其对于肿瘤增殖活性的预测能力。研究方法:跟据纳入、排除标准,对疑似脑胶质瘤患者进行常规MR增强检查及功能MR检查。对比不同级别胶质瘤患者临床-影像特征差别,包括性别、年龄、肿瘤位置、大小、性质、瘤周水肿程度、强化方式的差异,以及各种特征与Ki-67的相关性。评价基于常规MR序列的定性分析对胶质瘤病理分级预测的诊断效能及与Ki-67的相关性。功能MR序列进行定量分析,定量分析感兴趣区（region of interest,ROI）选择肿瘤实质区。比较不同级别胶质瘤间各定量参数的差异,并对各定量参数进行ROC曲线分析。应用logistic逐步回归分析对有分级诊断价值的定量参数进行逐步筛选,拟合对高低级别胶质瘤分级诊断模型,对模型行ROC曲线分析,并比较多模态MR定量模型与定性分析对高低级别胶质瘤分级诊断效力的差异。将来自两个中心的研究对象按照7:3的比例,随机分为训练集和测试集,比较训练集和测试集病例基本信息差别。对所有病例的T1WI平扫、T2WI、T1WI增强以及ADC和FA图进行手动3D全肿瘤图像分割,同时对肿瘤2D最大层面进行全肿瘤图像分割。用AK软件对ROI影像组学特征进行提取。训练集应用基础检验（参数检验、非参数检验、相关性分析）和LASSO回归对所提取的组学特征进行降维、筛选。应用logistic广义线性回归结合十折交叉检验拟合训练集高低级别胶质瘤分级诊断的影像组学模型,得到各序列分级诊断性能最佳的组学特征,比较各序列模型单独应用的敏感度、特异度和ROC曲线下面积;将各序列筛选出的最佳纹理特征联合应用,建立联合模型并且进行ROC曲线分析。训练集所得各序列单独及联合模型应用于测试集,验证模型的稳定性。测量肿瘤实质MRS的代谢物比值Cho/Cr、NAA/Cr、Cho/NAA以及DTI的MD值、FA值,分别获得各功能MR序列中最佳分级诊断定量参数。根据AIC准则建立包括最优组学特征模型、肿瘤定量参数以及临床-影像标签的最佳模型,勾画诺曼图实现模型可视化。结果:共68例患者纳入定性、定量分析研究,基本影像特征中Ⅱ级与Ⅲ级（p=0.037）、Ⅱ级与Ⅳ级（p<0.0001）以及高、低级别组间瘤周水肿程度差别有显著统计学差异。Ⅱ级与Ⅲ级（p<0.0001）、Ⅱ级与Ⅳ级（p<0.0001）以及高、低级别组间肿瘤强化方式有显著统计学差异。各级别胶质瘤病灶均以实性为主（79.41%）,余为囊实混合性病灶,肿瘤性质在Ⅱ级与Ⅳ级（p=0.005）以及高、低级别组间有统计学差异。病灶出血均发生于高级别胶质瘤,其中Ⅲ级1例（7.69%）、Ⅳ级6例（37.5%）。胶质瘤的瘤周水肿情况、肿瘤强化方式以及囊性变互相之间有中度至显著相关性,其中肿瘤强化方式与囊性变的相关性最强。基于常规增强MR的定性分析对脑胶质瘤的分级诊断的ROC曲线下面积为0.803（95%CI,0.689-0.890;ACC,0.779;SEN,0.966;SPE,0.641）。定性分析与Ki-67呈显著相关性（r=0.568,P<0.0001）。Ⅱ级、Ⅲ级、Ⅳ级胶质瘤各定量参数比较,其中Cho/Cr、NAA/Cr及Cho/NAA比值、MD值、rASL、ITSS在Ⅱ级与Ⅲ级、Ⅱ级与Ⅳ级胶质瘤之间有统计学差异,Ⅲ级与Ⅳ级胶质瘤之间各参数均无显著性统计学差异。各定量参数对HGG和LGG分级诊断的ROC曲线分析显示,Cho/Cr、NAA/Cr及Cho/NAA比值、MD值、rASL、ITSS的ROC曲线分析结果具有统计学意义,具有较高的诊断效力,其中Cho/NAA的AUC最大为0.866（敏感度,0.862;特异度,0.821）;定量参数与Ki-67的相关性呈较弱至显著。logistic回归分析对以上6个定量参数行逐步回归分析,结果示MD、Cho/NAA以及ITSS联合应用的分级诊断效力最高,回归函数如下:Logit（P）=5.114+1.898×ITSS-9.310×ADC+0.215×Cho/NAA,截断值为0.537;如果Logit（P）<0.537,诊断为低级别胶质瘤;如果Logit（P）≥0.537,诊断为高级别胶质瘤。回归模型对高、低级别胶质瘤的分级诊断试验的ROC曲线下面积为0.959（95%CI,0.881-0.992;SEN,0.966;SPE,0.949）。定量分析与Ki-67呈显著相关性（r=0.587,P<0.0001）。来自两个中心的共100例患者纳入影像组学分析,训练集、测试集病例在年龄、性别、肿瘤大小、肿瘤位置、病理分型及级别之间均无统计学差异。训练集各序列降维处理后获得的最佳分级诊断组学特征,T1WI平扫3个,T1WI增强6个、T2WI 7个、ADC图8个、FA图2个。各序列共26个纹理特征全部纳入联合诊断中,同样经基础检验和LASSO回归降维处理共获得14个组学特征。T1WI平扫、T1WI增强、T2WI以及ADC图、FA图对脑胶质瘤分级诊断模型单独以及联合应用的ROC曲线分析示,单独应用T1WI+C的分级诊断效能最高（AUC,0.924;ACC,0.871;SEN,0.889;SPE,0.853）;联合应用分级诊断效力优于各序列单独应用（AUC,0.967;ACC,0.929;SEN,0.944;SPE,0.912）。将训练集各单一序列及联合组学模型应用于测试集,所得ROC曲线分析结果与训练集对比,ACC均较高,ROC曲线在训练集与测试集之间比较无统计学差异。MRS、DTI两序列分别筛选出的最佳诊断参数为Cho/NAA和MD。根据AIC准则,选取AIC最低的模型,最终诺曼图包括联合影像组学模型、Cho/NAA,校验曲线显示模型的诊断效力较高。结论:1、常规MR检查中,脑胶质瘤水肿程度、增强方式在Ⅱ级与Ⅲ级、Ⅱ级与Ⅳ级以及高、低级别组胶质瘤间有差异,囊性变在Ⅱ级与Ⅳ级及高、低级别组间有差异;三者之间具有相关性,有望作为常规MR序列分级诊断的主要依据。2、基于常规MR影像特征的定性分析可以对高、低级别胶质瘤进行分级诊断,诊断准确度为中等,对于肿瘤细胞的增殖活性具有一定的预测能力;3、多模态MR定量参数Cho/Cr、NAA/Cr、Cho/NAA、MD、rASL和ITSS在Ⅱ级与Ⅲ级、Ⅱ级与Ⅳ级及高、低级别胶质瘤组间有差异;各定量参数单独应用可对高、低级别胶质瘤进行分级诊断,诊断准确度为中等;4、多模态MR定量参数的logistic逐步回归模型能够对高、低级别胶质瘤进行有效分级诊断,诊断准确度较高,优于定性分析,对于肿瘤的增殖活性具有一定的预测能力。5、基于3D全肿瘤图像分割的多模态MR序列（T1WI、T2WI、T1WI+C、ADC、FA）影像组学模型能够对胶质瘤进行分级诊断,联合模型诊断效力优于单独应用模型;6、影像组学模型对增殖活性具有一定的预测能力;7、3D与2D最大层面图像分割模型诊断效力高度相关,有望应用2D最大层面分割替代3D图像分割;8、多模态MR影像组学特征结合定量参数能够对胶质瘤进行病理分级预测,基于预测模型勾画的可视化诺曼图,有望为临床提供直观的评估工具。