目前,计算机辅助诊断（Computer-aided Diagnosis,CAD）技术在处理医学影像数据中展现出巨大的潜力。影像组学作为主要的CAD技术,以无创检查、定量分析为优势,通过高通量提取影像特征,为肿瘤的诊断和预后提供更多有价值的参考信息。影像标注是影像组学的重要环节,目前仍以医生手工分割ROI作为标注的“金标准”。然而手工分割重复性高、工作量大、效率低下,已难以应对呈几何增长的影像数据,阻碍了影像组学从科研转向临床的发展。因此,如何减少医生手工分割的工作量是一项亟待解决的问题。针对以上问题,本文主要工作如下:1)提出一种基于价值评估的磁共振单序列多层低价值点（Low Value Point,LVP）图像压缩算法。该算法以不同切片相同位置的像素为操作单元,根据磁共振图像单序列原图像和分割图像的数据类型,将图像的灰度值按特定规则进行合并,将单序列多层LVP原图像和分割图像压缩为单层高价值点（High Value Point,HVP）原图像和分割图像。将压缩算法应用于郑州大学人民医院构建的磁共振脑胶质瘤数据集GHPPH2018和公开数据集BRATS2017中,对比了原始图像和压缩成单层HVP图像的标注时间,并测试压缩图像进行影像组学分级任务的效果。实验结果表明,该压缩算法能显著减少医生分割ROI的工作量,另外,AUC等评价指标在执行该算法和未执行该算法得到的分级结果差值较小（<5%）,且均高于医生诊断水平。该算法以损失微小的诊断准确率为代价,能成倍缩减医生分割ROI的工作量。2)探究压缩算法在预测IDH基因型中的应用价值。目前,IDH基因状态已被纳入WHO2016中枢神经系统分类指南,术前获得患者的IDH基因状态有助于选择更合适的治疗方案。为了探究压缩算法在预测IDH基因型中的应用价值,该研究回顾了郑州大学第一附属医院400名病例证实的脑胶质瘤患者,所有患者包含明确的IDH基因型信息。使用本文提出的图像压缩算法生成单层压缩图像,记录影像科医生手工标注原始和压缩图像的时间,通过构建IDH基因预测模型验证三组预处理分组（原始图像和基于原始图像的ROI手工分割、压缩图像和压缩ROI、压缩图像和基于压缩图像的ROI手工分割）的性能,另外通过IE、AG、SSIM评价压缩图像质量。实验结果表明,相较于原始图像,压缩图像包含了更多的信息,并表现出更好的图像质量;另外使用压缩图像构建的影像组学模型也能较好地预测IDH基因状态。3)最后,基于推进人工智能医疗辅助诊断快速应用的目标,将本文提出的算法进行工程化实现,开发基于压缩算法的医学影像智能分析平台,该平台缓解基层医疗机构诊断能力不足、标注工作量巨大等问题。