中枢神经系统肿瘤是仅次于白血病的儿童第二大高发性肿瘤,也是儿童死亡的重要原因。后颅窝肿瘤约占儿童脑肿瘤的55%-70%。其中,室管膜瘤（ependymoma,EP）、髓母细胞瘤（medulloblastoma,MB）和星形细胞瘤（pilocytic astrocytoma,PA）是儿童最常见的后颅窝肿瘤类型。由于这三种肿瘤在恶性程度,治疗方式和预后均有不同。术前准确无创的鉴别它们有助于个性化手术策略的制定,与病人及家属进行及时沟通。磁共振成像（magnetic resonance imaging,MRI）具有高分辨率、多模态、无辐射等特点,因此在临床上常被应用于脑肿瘤评估。影像组学技术关注人眼难以识别的潜在的影像灰度变化,提取图像中有效的纹理信息,并将其定量化。机器学习技术可以用来建立准确和可靠的诊断模型,节约人力资源成本。多模态MRI影像组学技术与机器学习相结合,可以预测肿瘤类型、级别、生存期、疗效等,辅助医生临床决策。由于儿童群体的特殊性,病例难以大规模采集,目前针对该领域的研究还较少。因此,亟需建立针对儿童脑肿瘤的研究体系。本文以儿童后颅窝肿瘤为研究对象,以影像组学和机器学习为基础,围绕多区域多模态MRI对术前诊断的价值,展开了针对方法和应用两个层面的研究:1.建立了较为完备的影像组学数据处理方案。针对目前儿童脑肿瘤影像组学研究缺乏统一有效的前期图像处理方案,有限的MRI序列和肿瘤区域等问题。本文对图像偏置场进行校正,对跨扫描仪的影像进行了归一化,将病人的多模态MRI进行了配准,实现了多肿瘤区域的半自动分割,为突出类间差异对图像进行了标准化,最后在多区域多模态MRI上提取了 1 1958个特征。这些研究为后续影像组学模型建立与应用奠定了基础。2.构建了适合儿童后颅窝肿瘤鉴别的影像组学模型,并与放射学医生的诊断性能进行了比较。现有的诊断模型通常只是解决单个问题领域效果较好,难以适用于其他领域。针对儿童后颅窝肿瘤的特点,亟需建立一个最有可能适合本研究领域数据的模型。本文采用7种特征选择方法和8种分类器构建了 56个影像组学模型,通过对其诊断性能的比较,探索了适合EP、MB和PA的诊断模型。结果显示,基于快速相关的特征选择（fast correlation-based feature selection,FCBF）和支持向量机（support vector machine,SVM）构建的多区域多模态影像组学模型达到了最优的整体性能（area under the curve,AUC=0.934）,优于放射学医生的诊断结果（AUC:0.681-0.904）,同时优于大多数同类研究,该结果表明了本研究在儿童后颅窝肿瘤的鉴别中具有较高的临床价值。3.研究了不同MRI组合序列及不同肿瘤子区域对儿童后颅窝肿瘤术前诊断的贡献,特别讨论了对比增强T1加权序列（contrast-enhanced T1-weighted,T1C）的诊断价值。探讨具体哪些MRI序列的诊断贡献如何,对于指导临床医生在现有条件下合理采用不同检查方法,避免不必要伤害、节约医疗成本起了重要作用。T1C成像需要注射钆基造影剂,而这些药物潜在地影响儿童的生长发育。本文通过影像组学模型探索不同MRI组合序列对于诊断儿童后颅窝肿瘤的贡献。结果表明,T1C并非具有不可替代的诊断价值,平扫序列结合扩散加权成像（diffusion-weighted imaging,DWI）是临床上对儿童脑肿瘤术前诊断的首选采集序列。此外,在增强肿瘤区域特征中加入水肿等非增强特征不能显著提高诊断性能。4.探讨了影像组学特征跨扫描仪的有效性,识别和分析了影响儿童后颅窝肿瘤分类的影像生物标志物。影像组学特征在不同扫描仪上的可移植能力决定了该技术的可推广性。本文将6台扫描仪上的数据分成4组,在任意3组上提取的相关特征,在剩下一组上进行测试,从而研究影像组学特征跨扫描仪的可移植性。另外,在基于影像数据的诊断中,影像生物标志物提供了表征肿瘤的综合信息。本文识别了作为鉴别EP、MB和PA的影像生物标志物,并尝试解释了其潜在的病理意义。综上所述,本文针对儿童后颅窝肿瘤术前自动化诊断中存在的问题,进行了方法的改进和应用的研究。本文研究成果对于辅助临床医生诊断决策、合理采用检查策略,避免对儿童的伤害有着实际的临床价值。