髓母细胞瘤（Medulloblastoma, MB）是儿童最常见的恶性中枢神经系统肿瘤，其分子分型与预后密切相关，但常规MRI诊断准确率有限，易与室管膜瘤等后颅窝肿瘤混淆，目前主要依赖术后病理及基因测序进行分型与风险分层，存在高成本与滞后性。本研究旨在探讨基于MRI影像组学与深度学习技术对髓母细胞瘤诊断及预后评估的价值，并评估不同重采样参数对影像特征稳定性的影响，同时结合瘤周分析与生境分析揭示肿瘤微环境特征在鉴别诊断与风险预测中的意义。

回顾性收集178例患儿的MRI资料，其中髓母细胞瘤128例、室管膜瘤45例，均经病理学确诊。利用ITK-SNAP进行ROI分割，基于pyradiomics提取多维度放射组学特征，并设置19组不同重采样参数进行稳定性检测。随后采用不同的机器学习模型及GoogLeNet深度学习模型进行鉴别诊断建模，评估其鉴别诊断效能（AUC值），并进一步基于SimpleITK扩展瘤周区域进行分析，同时开展生境分析以探索肿瘤内部空间异质性，并分析影像组学特征与MB患者的生存预后关系。

重采样实验显示X、Y轴变化对影像特征影响不大，而Z轴变化对249项特征敏感；基于影像组学的SVM模型在MB与EP的鉴别中AUC值达到0.834，深度学习GoogLeNet模型AUC值进一步提高至0.864，显示更优的诊断效能；瘤周区域扩展与生境分析在建模中显著提升了分类准确性，验证了肿瘤微环境特征在模型中的重要作用；此外，SmallDependenceEmphasis特征在高风险与低风险MB患者中表达差异显著，与预后呈统计学相关。

本研究系统评估了重采样对放射组学特征稳定性的影响，并结合影像组学与深度学习构建了高效的诊断与预后预测模型，证实瘤周与生境等微环境特征在髓母细胞瘤鉴别诊断和风险分层中的价值，为儿童中枢神经系统肿瘤的精准诊疗提供了新的技术路径。