影像组学理论通过高通量的提取大量影像特征对肿瘤感兴趣进行量化,利用机器学习方法实现对肿瘤进行分级预测。影像组学特征基于感兴趣区进行计算的,其分割精度对影像组学的实施有重要影响。目前自动分割算法和半自动分割算法尚不成熟,感兴趣区主要依靠影像科医生进行手工分割,工作量大且可重复性低,阻碍了影像组学的临床应用;由于影像组学在特征计算时高通量的产生了大量特征,训练样本较小时易于产生过拟合问题,而医学数据由于其特殊性难以获得大量优质样本,难以获得高精度的预测模型,因此,对特征进行选择是很有必要的。感兴趣区分割和特征选择问题是影像组学在实施过程中面临的两个主要问题。脑胶质瘤是一种常见的颅内肿瘤,具有极高的致死率和致残率。对脑胶质瘤依据世界卫生组织(WHO)的分级标准进行精确分级对脑胶质瘤治疗方案的确定和治疗过程的调整评估都有非常重要的意义。本文以脑胶质瘤的分级结果来验证稳定性特征选择方法的性能。本文首先针对感兴趣区域分割精度问题,使用了一种对肿瘤边界不敏感的稳定性特征选择方法。根据两位影像科专家手工分割出感兴趣区域,分别计算出形状、密度、纹理等影像组学特征。基于皮尔森相关系数评价指标,分别评价两组特征间的相关性,通过阈值筛选出对边界不敏感的特征。实验结果表明,筛选出的特征在保留了预测信息的同时,降低了模型对边界分割精度的要求,提升了模型的适应性。以上筛选后的候选特征集仍然具有很高的维度,本文提出了结合皮尔森相关系数和K-means聚类算法的去冗余算法,通过去除冗余特征,进一步减少了特征维度,提升了特征的质量。本方法最终选择出11个对肿瘤边界不敏感且预测性能较好的特征(R>0.8),通过使用Logistic回归、随机森林、KNN以及支持向量机四种模型对选择特征的预测性能进行验证,训练精度均高于80%。实验表明,使用的算法选择出的影像特征具有较好的独立性和区分度。