Článok predstavuje dvojstupňový rámec hlbokého učenia na segmentáciu stavcov a medzistavcových platničiek na MR obrázkoch vážených T2 v analýze postihnutia chrbtice. Väčšina existujúcich metód založených na CNN segmentuje stavce a platničky nezávisle, čím strácajú ich anatomické vzťahy. Modelovanie chrbtice ako grafu s uzlami a susednou matricou umožňuje využitie týchto vzťahov. Prvý stupeň používa 3D grafovú konvolučnú sieť (GCSN) na hrubú segmentáciu viacerých tried. Druhý stupeň aplikuje 2D ResNet sieť na zlepšenie rozlíšenia hraníc. Model testovali na dátach 218 subjektov s priemerným koeficientom podobnosti kocky (DSC) 87,32 % na 10 stavcoch, 87,78 % na 9 platničkách a 87,49 % na 19 štruktúrach. Výsledky ukazujú zlepšenú konzistentnosť a presnosť vďaka anatomickým závislostiam. Systém slúži na automatizovanú analýzu chrbtice pre diagnostiku a plánovanie liečby porúch.