摘要
图卷积网络（Graph Convolutional Networks, GCNs）是一种处理非欧几里得数据的新型且强大的方法，而卷积神经网络（Convolutional Neural Networks, CNNs）则擅长从图像等欧几里得数据中学习特征。本文提出了一种将CNN与GCN相结合的新方法（CNN-GCN），该方法能够同时利用欧几里得与非欧几里得特征信息，并支持端到端训练。我们将该方法应用于肺部血管树的动脉与静脉分离（A/V分离）任务。首先，对胸部CT扫描数据进行血管分割与骨架化预处理，由此构建图结构：将骨架上的体素作为节点集合，其连接关系以邻接矩阵表示。随后，从CT扫描中提取每个节点为中心的三维图像块，且方向垂直于对应血管的主轴。基于所构建的血管图结构，训练并应用所提出的CNN-GCN分类器，对图中每个节点进行动脉或静脉的标签预测。该方法在一所医院的临床数据上进行训练与验证（共11名患者，22个肺部），并在另一家医院的独立数据集上进行测试（10名患者，10个肺部）。为评估性能，将CNN-GCN方法与基线CNN方法及人工观察者表现进行对比。结果显示，CNN-GCN方法在验证集和测试集上的中位准确率分别为0.773和0.738，优于基线CNN方法（验证集0.727，测试集0.693），接近人工观察者的中位准确率（0.817）。综上所述，所提出的CNN-GCN方法融合了局部图像特征与图结构连通性信息，在肺部动脉与静脉分离任务中显著优于基线CNN方法，其性能已接近人类专家水平。