A Neighborhood Attention Transformer Network for Enhanced 3D Segmentation of the Left Anterior Descending Artery
Di cosa parla
Un nuovo metodo di intelligenza artificiale mira a tracciare in 3D l'arteria coronaria sinistra su tomografie senza contrasto, dove il vaso è molto sottile, poco visibile e varia tra pazienti. Usa un'architettura che combina attenzione ai dettagli locali e contesto globale, più una valutazione dell'incertezza dei contorni; il modello è preaddestrato su molte immagini anatomiche e poi adattato a pochi casi clinici. I test mostrano migliori bordi e tracciati più stabili rispetto ad altri approcci.
Cosa permette di osservare
Permette di esplorare come modelli che bilanciano dettaglio locale e contesto globale, e che stimano l'incertezza, possono migliorare il delineamento di strutture anatomiche molto piccole e poco visibili, specie quando i dati annotati sono pochi.
Dalla fonte
Background: Accurate segmentation of the Left Anterior Descending (LAD) artery in 3D free-breathing, non-contrast CT is critical for cardiac dose sparing in thoracic radiotherapy. The LAD is extremely small, has poor soft-tissue contrast, and varies substantially across patients; even manual contours show limited inter-observer agreement, underscoring the ambiguity of the vessel boundaries. Purpose: To develop a transformer-based framework that improves LAD delineation in low-contrast, imbalanced CT through local-global context modeling and uncertainty-guided optimization. Methods: We propose NA-UNETR, a 3D transformer-based segmentation model whose Neighborhood Attention (NA) and Dilated NA (DiNA) blocks jointly capture fine structural detail and long-range context. Given the scarcity of annotated LAD data, the model is pretrained on 1,000 CTA volumes of general coronary anatomy and fi…