Данная работа показывает графовый подход к решению задачи классификации изображений. В работе рассматривается процесс конвертации изображений во взвешенные графы путем выделения ребер по пикселям и последующего расчета градиента, который выступает весовым значением для ребра. После этого на полученных представлениях (матрицах смежности) рассчитываются метрики, связанные с весом ребер, наименьшими кратчайшими путями (локальная и глобальная эффективность), средней связанностью степеней вершин, а также коэффициентом ассортативности. Полученные значения формируют признаковое множество, которое используется для тренировки ансамблей машинного обучения с целью решения исходной задачи бинарной классификации. В качестве базовой модели для сравнения предложенного метода используется классический подход с применением сверточных нейронных сетей (CNN) на оригинальных изображениях. Теоретические результаты анализируются в вычислительном эксперименте. Для анализа используются микроскопные снимки образцов крови с наличием/отсутствием бластных (лейкемических) клеток. В работе показано, что наиболее значимыми с точки зрения влияния на точность предсказания классов являются следующие признаки: средний вес ребра графа, локальная эффективность, средняя вершинная связность и коэффициент ассортативности степени вершин. Данный результат можно использовать при решении задачи классификации на подобных графовых структурах (графы без треугольников с кликовым числом, меньшим или равным 2, и обхватом, большим или равным 4).