目的:1.探讨术前常规磁共振成像（magnetic resonance imaging,MRI）特征及弥散峰度成像（diffusion kurtosis imaging,DKI）评价脑胶质瘤病理分级的价值。2.探讨常规MRI联合DKI建立多参数影像组学模型,能否提高预测脑胶质瘤病理分级的能力。方法:1.回顾性收集2014年6月至2021年4月我院收治的51例脑胶质瘤患者。所有患者的影像学资料包括术前2周的常规MRI（T1WI、T2WI、T2-FLAIR与CE-T1WI）及DKI序列图像。手术病理检查作为胶质瘤病理分级的金标准。包括34例高级别胶质瘤,17例低级别胶质瘤。提取患者的临床信息（年龄、性别）与常规MRI征象（肿瘤位置、肿瘤的最大径、跨中线结构、多灶性、边界、囊变、坏死程度、出血、强化体积与强化方式、水肿指数、T1WI与T2-FLAIR图像异常信号面积比）。DKI经后处理获得平均峰度（mean kurtosis,MK）参数图,以CE-T1WI或T2WI为参照,对肿瘤实性部分勾画感兴趣区（region of interest,ROI）,测得肿瘤实性部分MK,并以对侧正常部位脑白质为参照对MK进行标准化处理得到nMK。采用独立样本t检验、卡方检验或Fisher确切概率法分析临床资料及MRI征象在高低级别胶质瘤组间是否存在统计学差异,并采用受试者工作特征（receiver operating characteristic,ROC）曲线评价MK、nMK预测胶质瘤病理分级的能力。2.将所有患者的DICOM格式图像上传至放射组学云平台（汇医慧影医疗科技有限公司）进行影像组学分析。以CE-T1WI或T2WI序列为参照,对T1WI、T2WI、T2-FLAIR、CE-T1 WI及MK参数图手动逐层勾画感兴趣区,建立感兴趣容积后进行特征提取,每个MRI序列可提取得到1409个影像组学特征。将纳入样本随机分为大小相等的5个子集,训练集与测试集样本比例为4:1,以胶质瘤病理分级（高/低）为标签,使用5折交叉验证方法进行特征筛选,逐步得到最优特征集。采用支持向量机（support vector machine,SVM）算法对最优特征集进行建模。分别对单一序列及组合序列影像组学模型绘制ROC曲线,在约登指数最大时作为最佳截止值,计算预测模型的敏感度和特异度。以曲线下面积（area under the curve,AUC）评价影像组学模型的预测效能。结果:1.临床资料:低级别胶质瘤组平均年龄低于高级别胶质瘤组,组间差异具有统计学意义（P＜0.05）,两组之间性别组成无统计学差异（P＞0.05）。2.常规MRI征象与DKI参数:在12个常规MRI征象中,肿瘤位置、囊变、坏死程度、强化体积、强化方式、T1WI与T2-FLAIR图像异常信号面积比在高低级别胶质瘤组间具有统计学差异（P＜0.05）。高级别胶质瘤组MK与nMK高于低级别胶质瘤组,组间差异具有统计学意义（P＜0.05）。ROC曲线显示,MK预测胶质瘤级别效能高于nMK,AUC值为0.861,敏感度为0.706,特异度为0.941。3.经过特征筛选,T1WI、T2WI、T2-FLAIR、CE-T1WI及MK序列中分别筛选得到5、9、5、4、15个影像组学特征。4.基于单一序列建立预测胶质瘤级别的影像组学模型,以MK序列预测效能最高,测试集中平均AUC为0.864,敏感度为0.800,特异度为0.857。联合多序列建立组合模型,由T1WI+T2-FLAIR+CE-T1WI+MK构成的组合序列预测效能最高,测试集中平均AUC为0.995,敏感度为0.867,特异度为0.905。结论:1.常规MRI征象及DKI参数对术前预测胶质瘤病理分级有重要价值。2.基于常规MRI与DKI建立的影像组学模型可有效预测胶质瘤病理分级,单一序列中MK序列建立的模型预测效能最高,优于传统诊断模式下MK参数的预测效能,联合多序列建立组合模型可提高模型的诊断效能,为临床提供了一种无创、高效的胶质瘤诊断方式。