视觉图神经网络驱动的三维血管造影图像脑动脉Willis环自动分类方法

章俊逸¹，耿辰²，鲁宇澄³，胡伏原¹，戴亚康^{1, 2}

（1. 苏州科技大学 电子与信息工程学院，江苏苏州 215009；2. 中国科学院 苏州生物医学工程技术研究所，江苏苏州 215163；3. 复旦大学附属华山医院 放射科，上海200040） 

摘要：Willis环（CoW）构型在人群中多变，且是评估未破裂动脉瘤以及缺血性中风风险的重要参考。然而，人工进行CoW构型分类对专家知识与人力成本的要求较高，且目前仍然缺乏相关的自动分类方法。为此，提出一种基于视觉图神经网络（ViG）的CoW血管段构型的自动分类方法，即LS-ViG3D。通过Light-Stem模块减少网络的分块（Patch）数量，并调整ViG层次结构和添加多任务预测块，提升了信息聚集能力，有效挖掘出CoW的拓扑结构特征。为了降低训练难度，还提出了一种基于先验知识的CoW感兴趣区域提取算法，大幅减少造影图像冗余，使端到端的CoW自动分类成为可能。测试结果显示：该方法能够在后交通动脉段构型三分类任务和后动脉P1段构型二分类任务上，分别达到87.63%和89.91%的平衡准确率，89.00%和90.36%的宏平均精确度，以及88.07%和89.88%的宏平均F1分数。该方法的综合表现优于其他常见图像分类方法，有望为临床应用提供支持。

关键词：Willis环，视觉图神经网络，自动分类，时间飞跃法磁共振血管造影，深度学习

扫二维码浏览全文  

 Cite this article

Zhang, J., Geng, C., Lu, Y. et al. Vision GNN-Based Automated Classification Method for Circle of Willis of Intracerebral Arteries in 3D Angiography Images. J. Shanghai Jiaotong Univ. (Sci.) (2025). https://doi.org/10.1007/s12204-025-2853-1