脑肿瘤的特点是高发病率和死亡率,胶质瘤和脑膜瘤是最常见的原发性脑肿瘤类型,在原发性脑肿瘤中,大约百分之三十是胶质瘤,在脑部恶性肿瘤中占百分之八十,通常预后较差。根据世界卫生组织的分类系统,胶质瘤可以分为高级别和低级别胶质瘤,脑胶质瘤等级分类与预后显著相关,准确的胶质瘤分级十分重要。胶质瘤的精确诊断和分级需要对肿瘤标本进行组织学检测,包括从有创手术切除或活检获得的样本、组织和分子病理。然而,尽管组织病理学被认为是诊断和分级胶质瘤的金标准,但术后组织病理学固有的滞后特征限制了其在做出最初治疗决定时的可用性。同时,由于肿瘤的空间异质性,术前活检可能存在组织有限或取样错误的风险,并可能出现分级不足。因此,一个无创的、准确的术前分级方法对于胶质瘤患者的治疗和预后必不可少。本研究旨在评估和验证基于增强T1加权多平面重建图像使用深度学习和影像组学特征的模型对脑胶质瘤分级的预测性能。首先纳入三家机构具有多平面重建（MPR）图像诊断为胶质瘤的患者。训练队列包括101例来自机构1的患者,其中高级别胶质瘤（HGG）患者43例,低级别胶质瘤（LGG）患者58例;测试队列包括机构2和机构3的50例患者（25例HGG患者,25例LGG患者）。然后,使用6个预先训练的模型从MPR图像中提取影像组学特征和深度学习特征。采用斯皮尔曼相关检验和递归消除特征选择方法来减少冗余,并选择出最具预测价值的特征。接着使用三个分类器来构建分类模型。使用受试者工作曲线下面积（AUC）、灵敏度、特异性、准确性、精确度和阴性预测值来评估分级模型的性能。最后,比较测试队列的预测性能,确定最优分类模型。结果显示,在训练队列中,有62%的模型使用多平面MPR图像优于使用单平面MPR图像构建的分类模型,同时采用影像组学特征和深度学习特征构建的分类模型中,有61%的模型AUC值高于仅采用影像组学特征或者深度学习特征构建的分类模型。最优模型为结合影像组学特征和MPR图像提取的VGG16深度学习特征的随机森林模型,训练队列AUC为0.847,测试队列AUC为0.898。在测试队列中,最优模型的灵敏度、特异性和准确性分别为0.840、0.760和0.800。本研究证明使用多平面CE-T1W MPR特征在区分HGG和LGG时比单面特征更有效。结合深度学习特征和影像组组学特征可以有效地对胶质瘤进行分级,辅助临床决策。