摘要目的:探讨不同分割方法对基于高分辨T2加权成像(T2WI)的影像组学中直肠癌病灶特征提取稳定性以及术前T分期诊断效能的影响.方法:回顾性分析我院2017年1月至2018年12月收治的经术后病理证实且术前行3.0 T磁共振高分辨T2WI检查的直肠癌患者资料,依时间顺序分别纳入训练集及测试集.根据病理结果将T1-2期患者归为未突破肌层组,T3-4期患者归为突破肌层组.分别采用最小轮廓法(Model 1)和最大轮廓法(Model 2)手动分割感兴趣容积(VOI).2名医师分别采用2种方法勾画VOI后进行一致性检验,计算并比较全部特征的组内相关系数(ICC),选择ICC大于0.8的特征,之后采用最小绝对收缩与选择算子(LASSO)算法进行降维,选择出对病理T分期有价值的特征.在训练集中建立多层感知机(MLP)机器学习模型,并在测试集中验证,分别绘制2种方法的受试者操作特征(ROC)曲线,计算曲线下面积(AUC),并使用DeLong检验比较2种方法的曲线间差异.结果:共纳入317例患者,依次纳入训练集(152例)和测试集(165例).Model 1和Model 2的ICC中位数分别为0.994和0.977,ICC小于0.8的特征数分别为121个(8.59％)和136个(9.65％),2组间差异有统计学意义(P＜0.001).Model 1降维筛选出16个相关特征,Model 2筛选出14个相关特征.测试集中Model 1的AUC为0.838(95％CI0.764～0.912),Model 2的AUC为0.928(95％CI0.864～0.992),2组曲线间差异有统计学意义(P=0.036).结论:在基于高分辨T2WI的影像组学MLP模型中,直肠癌病灶的2种不同分割方式对直肠癌术前T分期均具有较好的诊断效能,其中最小轮廓法提取影像组学特征的稳定性较高,而最大轮廓法的诊断效能更佳.