使用计算机辅助诊断可以帮助医生减少阅片时间、提高诊断效率。影像组学作为计算机辅助诊断的工具之一在临床和研究中应用十分广泛。本文将影像组学方法应用于多种不同的临床问题的研究中,并根据研究问题的特点,有针对性地提出了若干对影像组学建模过程的改进方法,在研究中取得了良好的效果。主要内容包括:在影像组学研究中,通常需要提取大量的组学特征来反映图像的信息,而医学影像的数量往往极其有限,选择有效的特征降维与选择方法,以保留重要的特征、去除冗余无用的特征,对于建模的成果至关重要。本文提出了一种基于预建模的特征选择方法,可以有效地选择出有利于建模的特征。我们使用Bra TS2019和慢性踝关节炎数据集对该方法进行了验证,取得了优于传统方法的效果。在常规的影像组学研究中,通常在医生标注的ROI中提取组学特征进行分析。但是,在一些特定的问题中,这种处理方法并不能取得最好的建模效果。基于此,本文在肺癌EGFR和其他类别的分类问题中,利用PET图像的特性,在医生标注的ROI中划分出一个PET高亮信号的子区域,基于此子区域进行特征提取,得出了比较好的分类效果。关于EGFR治疗后恢复好坏的临床问题,本文使用了治疗前后特征相减的方法建模,得到了比较好的预测效果。本文综合使用了基于深度学习与传统算法的自动分割、影像组学建模等方法,尝试为多种临床问题的诊断建立全自动的流程。研究的问题包括:踝关节稳定性的研究:建立了基于FS-PD图像进行踝关节稳定性的诊断模型,在独立测试集上AUC达到0.965,可以高效地进行判断。膝关节受损的研究:建立了关于膝关节受损的软骨模型、软骨下骨模型、T2模型,从而得出软骨下骨的组学特征比T2更能反映膝关节受损的结论,为临床诊断提供了新的思路。肺癌EGFR与其他类别分类的组学研究:使用U-net网络实现病灶的自动分割,并建立了关于EGFR和其他肺癌类别的分类模型,在独立测试集上AUC达到0.903。甲状腺癌与乳腺癌、肺癌转移问题的研究:利用Mask R-CNN实现病灶的自动分割,并建立了关于甲状腺癌脑转移、肺癌脑转移、乳腺癌脑转移的三分类模型。