弥漫大B淋巴瘤是一种长期困扰人类的疾病,有着较高的发病率,尤其在我国发病率较高,对我国人们的健康危害较大。较早的对高风险人群进行识别,会对该病患者的未来治疗方案的选择以及预后效果起到至关重要的作用。当前对该病状的临床治疗离不开对肿瘤病灶的判定,而目前普遍还是以人工的方式对正电子发射断层显像图像PET(Positron Emission Tomography)图像进行勾画,从而实现对病灶区域的锁定,这种方式难免耗时MK-4827耗力且会出现无法预测的未知错误,对于病状的诊断有着较大的影响。在完成病灶的勾画之后,需要进行特征提取,而当前使用较多的特征提取技术便是影像组学技术,使用该种技术实现对肿瘤的特异性特征提取,如何准确快速深入的了解肿瘤的异质性便成为了另外一个采取有效治疗的重要方向,这也为肿瘤患者的预后的研究指明了一个方向。为了探究如何实现对肿瘤的快速定位和大小的判定成为了当前的一个难点,此外如何实现对患者预后的准确判断也是一个难题,本文针对这两个问题进行了研究。针对传统的手工勾画病灶区域带来的效率低下和出现判断标准不一的的问题,本文提出了基于深度学习的2D PET自动分割算法。首先,利用来自医疗机构的已经勾画好病灶区域的切片数据,划分数据集;针对弥漫大B淋巴瘤病灶区域分布不均的特点,和切片中的病灶大小不一的特点,以及PET图像本身缺乏边界条件的特点,针对性的构建了基于深度学习的2D PET图像的自动分割模型,使用该模型来训练数据集;之后利用训练得到的参数来预测验证集,计算出相应的评价指标。实验表明,本文构建的2D PET图像自动分割模型在各个指标上都有着不同程度的提高:其中Dice值达到了0.8189,特异性值PPV达到了0.8633。这表明该模型可以对医生未来的对于该病状的诊断能起到Dermato oncology较好的辅助性作用。基于自动分割技术获得病状特征之后,本文提出一种基于集成学习方法的多种机器学习自动特征选择器。首先,利用2D PET图像自动分割得到的数据,利用批处理的方法提取了确认细节371组患者的特征信息,使用基于集成学习方法的多种机器学习方法的自动特征选择器,挑选出关键特征,从而构建出具有稳定的较好的预测能力的特征签名,在对患者进行风险分层时,充分考虑影像组学层面和临床层面的因素,提升对预后不良的高危患者的识别能力。实验表明,优化后的组合模型对PFS和OS的预测效果在校准曲线、净增益以及一致性指标(PFS训练集中0.733,验证集中0.728;OS训练集中0.743,验证集中0.731)等方面都优于其他模型,进一步验证了影像组学特征对于该疾病患者的预后价值,同时证明了本文提出的组合模型在临床中可以获得更大的效益。