目的：本研究旨在解决脑血管造影人工质控存在的不稳定性和非实时性问题，提出了轻量化的分割分类多任务学习(Multi-Task Learning，MTL)模型，专门用于脑血管造影质量的实时评估，重点关注神经介入成像中的质控，提高脑血管疾病诊疗的可靠性和准确性。方法：轻量化MTL模型集成了分割、分类以及质量评估任务，主要包括三个部分：特征提取主干血管分割模块、造影质量分类模块、以及造影质量评估模块。模型采用深度可分离卷积以减少参数量，引入了局部-全局自注意力模块（L-GSAM）来增强全局信息提取能力，同时在血管分割模块中设计了特征聚合模块（FAM）以优化特征连接。模型训练过程中使用联合损失函数平衡分割和分类任务；质量评估模型根据血管分割与质量评估任务的相关性，采用多任务学习的方式进行模型设计，以显式和隐式的方式进行任务间信息交互。显式交互即以血管分割结果为基础进行质量评估，隐式交互即采用编码器共享方式共同更新参数。质量评估解码器基于血管特征和编码器全局特征评估造影质量，通过多尺度感知（Multi-Scale Perception，MSP）模块进行多尺度特征提取，并采用并行量化评分机制分别对血管特征和全局特征计算质量评分。为平衡多任务训练效果，采用了加权联合损失函数进行模型训练。结果：脑血管轻量化MTL质控模型在仅有3.43M参数量的情况下，FPS达到34以上，拥有较高的分割和分类性能，模型的质量评估准确率达到了90%，基于多任务学习机制有助于增强模型的质量评估性能，同时模型能够适应不同质量情况的造影图像，模型的参数量仅为5.8M，FPS也达到21以上。结论：脑血管轻量化质控模型显著改善了神经介入成像中的质量控制过程，提供了稳定且实时的脑血管造影评估。通过在多任务学习框架中集成分割和分类任务，模型的性能和泛化能力得到了提升。未来的研究可以进一步细化模型，以分类具体的质量缺陷，进一步支持医疗专业人员在神经介入手术中实现最佳成像效果。