目的:探讨MRI用于软组织肿瘤的良恶性鉴别及其预测软组织肉瘤组织病理学分级的影像组学模型的可行性及应用价值。材料与方法:在第一部分探讨基于常规MRI建立的影像组学模型鉴别良性和恶性软组织肿瘤的可行性及应用价值的研究中,共回顾性纳入经病理诊断为STTs的68例患者。对于基于FS-T₂WI和FS-T₁WI+C提取的影像组学特征,通过LASSO选出对STTs的良恶性鉴别有价值的影像组学特征。使用5折交叉验证训练了两种机器学习分类方法,包括k近邻（k-nearest neighbor,k NN）和支持向量机（support vector machine,SVM）算法,分别建立FS-T₂WI结合FS-T₁WI+C、FS-T₂WI和FS-T₁WI+C三种分类模型。通过受试者工作特征曲线下面积（area under the operating characteristics curve,AUC）评估影像组学模型的诊断效能。在第二部分探讨基于FS-T₂WI建立的影像组学模型对预测软组织肉瘤的组织病理学分级的可行性及应用价值的研究中,共回顾性纳入经病理诊断为STSs的35例患者。对于基于FS-T₂WI提取的影像组学特征,通过LASSO选出对预测STSs的高、低级别有价值的影像组学特征。使用5折交叉验证训练了三机器学习分类方法,包括随机森林（random forests,RF）、k NN和SVM算法。通过AUC评估影像组学模型的诊断效能。在第三部分探讨基于DWI-ADC建立的影像组学特征以及其联合常规MRI特征构建的影像组学列线图在预测软组织肉瘤的病理学分级的可行性及应用价值的研究中,共回顾性纳入经病理诊断为STSs的51例患者。对于基于DWI-ADC提取的影像组学特征,通过LASSO选出对预测STSs的高、低级别有价值的影像组学特征并组成影像组学评分。将与STSs高低级别相关的常规MRI特征和影像组学评分进行单因素分析,然后将单因素分析中具有统计学差异的参数纳入到多因素逻辑回归分析中以确定与分级相关的独立预测因素。建立预测STSs高低级别的影像组学评分模型与加入了常规MRI影像特征的联合列线图模型。通过ROC、校准曲线和决策曲线衡量模型的诊断效能和临床应用价值。结果:在第一部分研究中使用SVM分类器构建的基于FS-T₂WI结合FS-T₁WI+C、FS-T₂WI和FS-T₁WI+C的三种影像组学模型较k NN分类器构建的三种影像组学模型具有更好的诊断效能,使用SVM分类器构建的基于FS-T₂WI结合FS-T₁WI+C、FS-T₂WI和FS-T₁WI+C的三种影像组学模型的诊断准确度和AUC分别为0.86、0.83、0.87和0.88±0.07、0.86±0.08、0.89±0.08。在第二部分研究中使用SVM分类器构建的影像组学模型在三种机器学习方法（RF、k NN和SVM）中取得了最佳性能,基于SVM的影像组学模型预测STSs分级的AUC和准确度分别为0.92±0.07和0.88。在第三部分研究中多因素logistic分析发现T₂WI瘤周高信号和通过DWI-ADC图提取的影像组学特征建立的影像组学评分是预测STSs高、低级别的独立预测因素。影像组学评分预测STSs高、低级别的AUC值（95%CI）,准确度分别为0.872（0.772-0.971）、0.824。将T₂WI瘤周高信号和影像组学评分共同构建影像组学列线图模型预测STSs高、低级别的AUC值（95%CI）为0.902（0.805-0.999）、准确度为0.882、敏感度为0.909和特异度为0.833。结论:本研究构建了基于MRI的软组织肿瘤的良恶性鉴别及预测软组织肉瘤组织病理学分级的影像组学模型且诊断效能良好,为实现无创、准确的鉴别软组织肿瘤的良恶性和预测软组织肉瘤的分级提供了支持。第一部分常规MRI用于软组织肿瘤的良恶性鉴别的影像组学模型研究目的:探讨基于常规MRI建立的影像组学模型鉴别良性和恶性软组织肿瘤的可行性及应用价值。材料与方法:一、病例资料回顾性收集了2012年10月至2018年10月间在本院经病理诊断为STTs的68例患者,34例为良性,34例为恶性（平均年龄51±17岁;年龄范围17-90岁;35例男性和33例女性）。二、MR设备与方法68例STTs患者在手术前通过Siemens Magnetom Verio 3.0T system磁共振扫描仪进行了MRI检查,根据病变部位使用相应线圈。三、肿瘤病灶的图像分割将获取的68例STTs患者的脂肪抑制的T₂加权像（Fat suppression T₂-weighted image,FS-T₂WI）和脂肪抑制的对比增强T₁加权像（Contrast-enhanced fat suppression T₁-weighted image,FS-T₁WI+C）的原始DICOM图像导入到后处理平台放射组学云平台中。在FS-T₂WI和FS-T₁WI+C上逐层手动勾画病灶ROI后,由计算机自动生成VOI。一名放射科医生在所有68例患者中进行了肿瘤分割,另一名放射科医生在从68例患者中随机选择的30例患者中进行了肿瘤分割,以分析提取的影像组学特征观察者间一致性。四、影像组学特征提取和选择获取的68例STTs患者的VOI通过使用放射组学云平台自动提取影像组学特征（一阶统计量特征、基于形状的特征、纹理特征和高阶统计特征）。对于每个影像组学特征,首先使用ICC评估观察者之间的特征提取一致性,ICC值大于0.75的特征被认为具有良好的一致性,并被选入下一步分析中。再使用LASSO算法进行特征降维并选择有价值的特征用于软组织肿瘤的良恶性鉴别。五、统计学方法使用5折交叉验证训练了两种机器学习分类方法,包括k NN和SVM算法,分别建立FS-T₂WI结合FS-T₁WI+C、FS-T₂WI和FS-T₁WI+C三种分类模型。通过AUC评估这三个模型,并使用De Long测试比较每个机器学习分类器内每两个模型之间差异的统计学意义。结果:一、提取和选择的影像组学特征从68例STTs患者的FS-T₂WI和FS-T₁WI+C中各提取了1029个定量成像特征,在进一步的选择过程中选择了983和977个具有较好的可重复性（ICC高于0.75）的特征。使用LASSO算法从每个序列中选择了4个特征,以分别建立影像组学模型。FS-T₂WI和FS-T₁WI+C联合构建的影像组学模型采用的特征是这两个序列经LASSO降维后得到的系数绝对值最大的四个特征。二、基于常规MRI构建的影像组学模型用于鉴别STTs良恶性使用SVM分类器构建的基于FS-T₂WI结合FS-T₁WI+C、FS-T₂WI和FST₁WI+C的三种影像组学模型较k NN分类器构建的三种影像组学模型具有更好的诊断效能,使用SVM分类器构建的基于FS-T₂WI结合FS-T₁WI+C、FS-T₂WI和FS-T₁WI+C的三种影像组学模型的诊断准确度和AUC分别为0.86、0.83、0.87和0.88±0.07、0.86±0.08、0.89±0.08。通过De Long测试,使用k NN构建的基于FS-T₂WI结合FS-T₁WI+C、FS-T₂WI和FS-T₁WI+C的三个影像组学模型之间两两模型的AUC差异均无显著性（P>0.05）以及使用SVM构建的基于FST₂WI结合FS-T₁WI+C、FS-T₂WI和FS-T₁WI+C的三个影像组学模型之间两两模型的AUC差异均无显著性（P>0.05）。结论:一、使用k NN分类器构建的基于FS-T₂WI结合FS-T₁WI+C、FS-T₂WI和FST₁WI+C的影像组学模型可以鉴别软组织肿瘤的良恶性,且这三种MRI影像组学模型对软组织肿瘤的良恶性鉴别诊断效能相仿。二、使用SVM分类器构建的基于FS-T₂WI结合FS-T₁WI+C、FS-T₂WI和FST₁WI+C的影像组学模型可以鉴别软组织肿瘤的良恶性,且这三种MRI影像组学模型对软组织肿瘤的良恶性鉴别诊断效能相仿。三、相比于k NN分类器,使用SVM构建的基于FS-T₂WI结合FS-T₁WI+C、FS-T₂WI和FS-T₁WI+C的影像组学模型具有更高的良恶性鉴别诊断效能。第二部分FS-T₂WI用于预测软组织肉瘤组织病理学分级的影像组学模型研究目的:探讨基于FS-T₂WI建立的影像组学模型对预测软组织肉瘤的组织病理学分级的可行性及应用价值。材料与方法:一、病例资料回顾性收集了2013年8月至2018年5月间在本院经病理诊断为STSs的35例患者,其中低级别9例,高级别26例。包括22名男性和13位女性（年龄范围为31岁到85岁,平均年龄为59±12岁）,并采用法国癌症中心联合会（FNCLCC）的软组织肉瘤分级标准对其分级,其中I级定义为低级别,II级与III级定义为高级别。二、MR设备与方法35例STSs患者在手术前通过Siemens Magnetom Verio 3.0T system磁共振扫描仪进行了MRI检查,根据病变部位使用相应线圈进行检查。三、肿瘤病灶的图像分割与影像组学特征提取和选择将获取的35例STSs患者的FS-T₂WI的原始DICOM图像导入到后处理平台放射组学云平台中。在FS-T₂WI上逐层手动勾画病灶ROI后,由计算机自动生成VOI。所获取的VOI通过使用上述平台自动提取影像组学特征（一阶统计量特征、基于形状的特征、纹理特征和高阶统计特征）,之后使用LASSO算法进行特征降维。四、统计分析使用5折交叉验证方法训练了三种机器学习分类方法,包括RF、k NN和SVM算法,以预测低和高组织病理学级别的软组织肉瘤。结果:一、提取和选择的影像组学特征从35例STSs患者FS-T₂WI图像中提取了1029个影像组学特征,使用LASSO算法筛选出五个与组织病理学分级相关特征来构建影像组学模型。二、基于FS-T₂WI构建的影像组学模型用于预测STSs组织病理学分级使用SVM分类器构建的影像组学模型在三种机器学习方法（RF、k NN和SVM）中取得了最佳性能,基于SVM的影像组学模型预测低级别STSs的AUC为0.92±0.07（准确度为0.88、敏感度为0.80和特异度为0.92）以及预测高级STSs的AUC为0.92±0.07（准确度为0.88、敏感度为0.92和特异度为0.80）。结论:使用RF、k NN和SVM分类器构建的基于FS-T₂WI影像组学模型可以预测STSs的高、低级别并具有良好的诊断效能,其中使用SVM分类器构建的基于FS-T₂WI影像组学模型预测STSs的高、低级别的诊断效能最佳。第三部分DWI-ADC用于预测软组织肉瘤组织病理学分级的影像组学模型研究目的:探讨基于DWI-ADC建立的影像组学特征以及其联合常规MRI特征构建的影像组学列线图在预测软组织肉瘤的病理学分级的可行性及应用价值。材料与方法:一、病例资料回顾性收集了2013年8月至2019年9月间在本院经病理诊断为STSs的51例患者,其中低级别18例,高级别33例。包括26名男性和25位女性（年龄范围为12岁到85岁,平均年龄为55±16岁）。并采用FNCLCC的软组织肉瘤分级标准对其分级,其中Ⅰ级定义为低级别,II级与III级定义为高级别。二、MR设备与方法22例STSs患者采用Siemens Magnetom Verio 3.0T system扫描仪并根据病变部位使用相应的线圈进行图像的采集。29例STSs患者采用GE Discovery MR750w 3.0T system扫描仪并根据病变部位使用相应的线圈进行图像的采集。Siemens和GE的工作站根据DWI自动生成ADC图。三、肿瘤病灶的图像分割和影像组学特征的提取将51例STSs患者获取的MRI-DWI和DWI-ADC的原始DICOM图像导入到后处理平台放射组学云平台中。由于MRI-DWI与DWI-ADC相比下具有更高的分辨率,因此首先在b值为800s/mm2的MRI-DWI上勾画了ROI,然后将其复制到相应的DWI-ADC,由计算机自动生成三维的VOI,最终获得51个VOI。所获取的VOI通过使用上述平台自动提取影像组学特征。两名影像科医生分别对所有51例患者进行了肿瘤分割,以分析影像组学特征提取的观察者间一致性。四、影像组学特征的选择和影像组学评分的构建对于51例STSs患者的每个基于DWI-ADC提取的影像组学特征,首先使用ICC评估观察者之间的特征提取一致性,ICC值大于0.75的特征被认为具有良好的一致性,并被选入下一步分析中。再使用LASSO算法对特征进行降维,以选择有价值的特征用于预测STSs的高、低级别并建立影像组学评分。影像组学评分是Lasso筛选出的影像组学特征值与其对应的Lasso系数的乘积加上正则化项计算得到的。五、常规MRI特征评估对51例STSs患者所有病例的常规MRI表现进行评估,包括肿瘤大小、肿瘤边界、肿瘤T₂WI信号均匀性及T₂WI瘤周高信号。六、影像组学列线图模型的构建及统计学方法将肿瘤大小、肿瘤边界、肿瘤T₂WI信号均匀性、T₂WI瘤周高信号和影像组学评分进行单因素分析（使用独立样本t检验或Mann-Whitney U检验来比较两组间连续型变量的差异,采用卡方检验或Fisher确切概率检验比较两组间分类变量的差异）,然后将单因素分析中具有统计学差异的参数纳入到多因素逻辑回归分析中以确定与分级相关的独立预测因素,并通过将独立预测因素结合来构建影像组学列线图。通过ROC、校准曲线和决策曲线衡量模型的诊断效能和临床应用价值。结果:一、提取和选择的影像组学特征和构建的影像组学评分从51例STSs患者的DWI-ADC中提取了1409个定量成像特征。在进一步的选择过程中选择了1371个具有高度可重复性（ICC高于0.75）的特征,之后使用Lasso算法选择了3个系数最大的特征来构建影像组学评分。单因素分析发现肿瘤边界、T₂WI瘤周高信号、肿瘤T₂WI信号均匀性和影像组学评分在高、低级别组间差异具有统计学意义（p<0.05）。将以上四个因素共同进行多因素logistic回归分析,得到T₂WI瘤周高信号和通过DWI-ADC图提取的影像组学特征建立的影像组学评分是预测STSs高、低级别的独立预测因素。影像组学评分预测STSs高、低级别的AUC值（95%CI）,准确度分别为0.872（0.772-0.971）、0.824。二、构建的影像组学列线图及其诊断效能将51例STSs患者的T₂WI瘤周高信号和通过DWI-ADC图提取的影像组学特征建立的影像组学评分共同构建影像组学列线图。影像组学列线图模型预测STSs高、低级别的AUC值（95%可信区间）为0.902（0.805-0.999）、准确度为0.882、敏感度为0.909和特异度为0.833。校准曲线和DCA分析显示了所构建的列线图模型具有良好的校准度和临床实用性。结论:一、通过DWI-ADC图提取的影像组学特征建立的影像组学评分和T₂WI瘤周高信号是预测STSs高、低级别的独立预测因素,其中影像组学评分对预测STSs的高、低级别具有良好的诊断效能。二、基于影像组学评分和T₂WI瘤周高信号共同建立的影像组学列线图模型对预测STSs的高、低级别具有良好的诊断效能,可以为临床医生提供个体化的STSs分级预测概率,且影像组学列线图模型预测STSs高、低级别的诊断效能优于影像组学评分。