تمثّل الشبكات التلافيفية الرسومية (GCNs) طريقة مبتكرة وقوية للتعامل مع البيانات غير الإقليدية، في حين يمكن للشبكات العصبية التلافيفية (CNNs) استخلاص الميزات من البيانات الإقليدية مثل الصور. في هذه الدراسة، نقترح طريقة جديدة تدمج بين CNNs وGCNs (CNN-GCN)، والتي تأخذ بعين الاعتبار الميزات الإقليدية وغير الإقليدية، وتدرب بشكل منتهٍ (end-to-end). تم تطبيق هذه الطريقة على فصل الأشجار الوعائية الرئوية إلى شرايين و靜脈 (A/V). تم معالجة صور التصوير المقطعي للصدر (CT) مسبقًا باستخدام تقنيات تفصيل الأوعية وتمييز العظام، ومن ثم تم بناء رسم بياني: حيث تم تمثيل البكسلات الواقعة على العظام كمجموعة من الرؤوس، بينما تم تمثيل الاتصالات بينها في مصفوفة الاتصال (adjacency matrix). تم استخراج شرائح ثلاثية الأبعاد (3D patches) متمركزة حول كل رأس من الرؤوس من صور التصوير المقطعي، باتجاه عمودي على الوعاء. تم تدريب وتطبيق تصنيف CNN-GCN المقترح على الرسوم البيانية للأوعية المبنية، بحيث يتم تصنيف كل عقدة على أنها شريان أو وريد. تم تدريب الطريقة وتأكيدها على بيانات من مستشفى واحد (11 مريضًا، 22 رئة)، وتم اختبارها على بيانات مستقلة من مستشفى مختلف (10 مرضى، 10 أشجار رئوية). تم استخدام طريقة CNN كأساس (baseline) والأداء البشري كمقياس مقارنة. أظهرت طريقة CNN-GCN دقة وسيطية قدرها 0.773 (0.738) في مجموعة التحقق (validation) (الاختبار)، مقارنةً بالدقة الوسيطة البالغة 0.817 التي حققها المراقبون البشريون، و0.727 (0.693) التي حققتها طريقة CNN. في الختام، تجمع الطريقة المقترحة (CNN-GCN) بين المعلومات المحلية من الصور وبيانات الاتصال في الرسم البياني، مما يؤدي إلى تحسين أداء فصل الشرايين وال靜静脉 الرئوية مقارنةً بطريقة CNN الأساسية، وتقريبًا تُساوي أداء المراقبين البشريين.