目的:1.基于常规磁共振成像（Magnetic resonance imaging,MRI）轴位T2WI（T2-weighted imaging,T2WI）图像,采用3种不同的机器学习算法来建立卵巢上皮性良恶性肿瘤术前鉴别诊断模型,探究从磁共振图像中提取的定量影像组学特征对卵巢上皮性良恶性肿瘤的鉴别诊断能力。2.基于常规MRI轴位T2WI图像,比较采用不同特征筛选方法与不同机器学习算法相结合所建立的影像组学模型在卵巢上皮性肿瘤术前三分类（良性、交界性和恶性）中的诊断效能。方法:1.回顾性分析从重庆医科大学附属第一医院收集的200例（2013年1月至2020年1月）经病理证实的卵巢上皮性肿瘤患者的术前盆腔MRI检查的轴位T2WI图像,其中良性和恶性各100例。所有数据按7:3的划分比例随机划分为训练集和测试集,使用开源三维医学图像分割软件ITK-SNAP对感兴趣区域（Region of interest,ROI）进行逐层勾画,获取肿瘤的三维感兴趣区域（Volume of interest,VOI）。从中提取7个影像组学特征簇的1288个特征。我们采用T检验与LASSO（Least absolute shrinkage and selection operator,LASSO）相结合的特征选择方法,对所提取的特征进行筛选,将筛选后的特征用于模型的训练和验证,分别将支持向量机（Support vector machine,SVM）、随机森林（Random forest,RF）和K近邻（K nearest neighbor,KNN）分类器与特征选择方法相结合,建立三个影像组学分类模型。使用ROC曲线下面积（Area under the roc curve,AUC）和准确率对所建立的三个分类模型的预测性能进行评估。2.回顾性分析300例（良性、交界性和恶性肿瘤各100例）经病理证实为卵巢上皮性肿瘤的患者术前MRI T2WI图像,所有数据按8∶2的划分比例随机划分为训练集和测试集。使用ITK-SNAP三维医学图像分割软件对感兴趣区域（ROI）进行逐层勾画,获取肿瘤的三维感兴趣区域（VOI）,并进行特征筛选。将4种特征选择方法和7种机器学习分类器两两组合,构建28个分类模型。使用AUC和准确率对所有模型的预测性能进行评估。结果:1.本研究中3种分类模型预测性能均表现良好,RF-model、SVM-model和KNN-model测试集上的AUC分别为0.968（95%CI:0.912-1.0）、0.963（95%CI:0.901-1.0）和0.957（95%CI:0.906-0.996）;准确率分别为0.97、0.93和0.88。2.本研究中28种分类模型中表现最好的是递归特征消除法（Recursive feature elimination,RFE）与K近邻（K nearest neighbor,KNN）分类器相结合的“RFE-KNN”模型,其测试集上宏平均AUC达0.94,良性组的AUC为0.94,交界性组的AUC为0.93,恶性组的AUC为0.96。结论:1、基于MRI轴位T2WI图像的影像组学特征所建立的分类预测模型,在卵巢上皮性肿瘤良恶性鉴别诊断上取得了良好的结果,在本部分研究中3个分类模型的鉴别诊断能力相差不大,且整体预测性能良好,表明采用基于常规MRI的影像组学模型来鉴别卵巢上皮性良恶性肿瘤是一种客观有效的方法。2、从磁共振常规序列T2WI中提取的定量影像组学特征在鉴别卵巢上皮性肿瘤的方面有良好的表现。本实验中基于RFE特征选择方法和KNN分类器的RFE-KNN模型的分类预测表现优于其他模型。