近日，工学部盛梦君老师在国际权威期刊Signal, Image and Video Processing上发表题为“GTUNet：a GNN and transformer enhanced U-Net for coronary artery segmentation”（https://doi.org/10.1007/s11760-026-05600-2）的论文。该期刊为JCR三区期刊，在Scopus的细分领域中属于Q2区，旨在快速传播信号、图像和视频处理领域的高水平研究成果和工程实践经验，助力信号与图像处理领域前沿成果传播及技术落地应用。
目前，冠状动脉结构拓扑复杂、尺度多变，精准分割是心血管智能诊断领域的重难点问题。传统UNet卷积神经网络受固有归纳偏差限制，难以捕捉全局拓扑特征，易出现血管结构分割碎片化问题，难以满足临床精准诊疗需求。研究团队结合应用数学拓扑结构优化理论，创新提出冠状动脉分割混合框架GTUNet，基于PyTorch平台，融合UNet与GNN网络优势搭建新型算法模型，通过公开数据集完成系统性验证，实现了冠状动脉主干及末端微细血管的精准分割，可有效辅助医生定位病灶、提升诊疗效率。
实验结果表明，相较于传统UNet变体及Transformer网络，GTUNet依托数理优化设计，在低算力消耗的前提下显著提升分割精度，实现了模型性能与运算成本的最优平衡。
我校高度重视青年教师科研创新培育，持续营造优良学术生态，大力支持基础学科交叉创新研究。本次成果不仅为心血管疾病智能辅助诊断提供了全新、高效的数理技术方案，也为复杂生物结构的医学图像精准分析开拓了新思路，下一步，学校将持续支持青年教师聚焦前沿关键问题开展原创性研究，推动数理研究与产业深度融合，突出成果应用成效。（编辑：工学部）