A Neighborhood Attention Transformer Network for Enhanced 3D Segmentation of the Left Anterior Descending Artery

Resumen Técnico: NA-UNETR para la Segmentación de la LAD

Planteamiento del Problema
La segmentación precisa de la arteria descendente anterior izquierda (LAD) en tomografías computarizadas (TC) 3D de volumen libre de respiración y sin contraste es crítica para la preservación de la dosis cardíaca en la radioterapia torácica. Sin embargo, esta tarea es excepcionalmente difícil debido al calibre minúsculo de la LAD, el pobre contraste de los tejidos blandos y la significativa variabilidad anatómica. Incluso la delineación manual realizada por expertos sufre de una baja concordancia interobservador (puntuaciones Dice de entre 0.10 y 0.53), lo que resalta la ambigüedad de los límites vasculares. Los métodos automatizados existentes, incluyendo las CNN estándar (por ejemplo, U-Net, nnU-Net) y los modelos basados en Transformers, tienen dificultades para capturar las dependencias anatómicas de largo alcance necesarias para la continuidad de los vasos, manteniendo al mismo tiempo la sensibilidad hacia estructuras delgadas y de bajo contraste en TC sin contraste. Además, la escasez de datos de LAD etiquetados por expertos crea un severo cuello de botella de "pocos datos" para el aprendizaje supervisado.

Metodología: NA-UNETR
Los autores proponen NA-UNETR, un marco de segmentación basado en Transformers 3D diseñado para equilibrar la precisión local con el modelado del contexto global. La metodología consta de cuatro componentes técnicos clave:

1. Arquitectura (Atención de Vecindad):

   • El modelo utiliza un esqueleto (backbone) de codificador-decodificador tipo UNETR, pero reemplaza la atención de auto-atención global estándar con bloques de Atención de Vecindad (NA) y Atención de Vecindad Dilatada (DiNA).
   • NA restringe las interacciones de tokens a ventanas locales de $k \times k \times k$, introduciendo un sesgo inductivo espacial que evita la dilución de las señales anatómicas débiles por parte de las respuestas dominantes del fondo. Esto es crucial para preservar la continuidad de las estructuras vasculares delgadas.
   • DiNA extiende el campo receptivo progresivamente a través de las capas mediante el muestreo de vecindades dilatadas, lo que permite al modelo integrar segmentos de vasos más largos sin recurrir a interacciones globales computacionalmente costosas.
   • La arquitectura incluye capas de convolución residual antes de cada bloque NAT para estabilizar el entrenamiento y convoluciones de profundidad (depthwise) para preservar los detalles finos.

2. Estrategia de Entrenamiento (Aprendizaje por Transferencia de Dos Etapas):

   • Para abordar la escasez de datos de LAD anotados, el modelo emplea un enfoque de dos etapas. Primero, se realiza un preentrenamiento en un gran conjunto de datos público de 1,000 volúmenes de CTA con contraste (ImageCAS) para aprender representaciones generalizadas de las arterias coronarias.
   • Segundo, se realiza un ajuste fino (fine-tuning) en el pequeño conjunto de datos institucional (LAD-SEG, $N=20$) utilizando Adaptación de Bajo Rango (LoRA). Específicamente, se congelan los pesos del codificador y solo se actualizan los parámetros del decodificador y los adaptadores LoRA (rango $r=8$) insertados en las capas MLP del codificador. Esta estrategia de parámetros eficientes evita el sobreajuste en el pequeño conjunto de datos objetivo.

3. Función de Pérdida (Optimización Guiada por Incertidumbre):

   • Una función de pérdida compuesta combina la Pérdida Dice-Focal (para el solapamiento de regiones y el enfoque en ejemplos difíciles) y la Pérdida de Hausdorff (para la precisión de los bordes).
   • Estos componentes se equilibran dinámicamente mediante el pesaje de incertidumbre homocedástica. El modelo aprende dos parámetros de log-varianza para ajustar automáticamente la contribución relativa de las pérdidas de segmentación y de bordes durante el entrenamiento, eliminando la necesidad de un ajuste manual de pesos. Se añade un término de perturbación de ruido a la pérdida de Hausdorff para fomentar la exploración de las características de los bordes y prevenir el sobreajuste.

4. Procesamiento de Datos:

   • Preprocesamiento: Incluye el recorte de intensidad a $[-200, 400]$ HU, mejora de contraste mediante ajuste gamma y muestreo de parches centrados en la arteria (relación 1:1 de primer plano a fondo) para mitigar el desequilibrio de clases.
   • Postprocesamiento: Un flujo de trabajo de tres pasos retiene el componente conectado más grande, elimina objetos pequeños (<64 vóxeles) y rellena huecos para asegurar la plausibilidad anatómica.

Contribuciones Clave

• Arquitectura Novedosa: Introducción de NA-UNETR, que integra la Atención de Vecindad en un esqueleto de Transformer 3D para abordar específicamente los desafíos de las estructuras tubulares delgadas y de bajo contraste.
• Solución para Pocos Datos: Un marco de aprendizaje por transferencia basado en principios que combina el preentrenamiento de CTA a gran escala con el ajuste fino basado en LoRA, superando eficazmente el cuello de botella de los limitados datos de LAD anotados.
• Estrategia de Optimización: El uso de la incertidumbre homocedástica para equilibrar dinámicamente las pérdidas de segmentación y de bordes, mejorando tanto el solapamiento volumétrico como la precisión del contorno sin ajuste manual de hiperparámetros.

Resultos
El modelo fue evaluado en el conjunto de datos institucional LAD-SEG y en el conjunto de datos público ImageCAS frente a líneas base de CNN y Transformer (incluyendo nnU-Net, Swin UNETR y UNETR).

• En LAD-SEG (TC sin contraste): NA-UNETR logró un Coeficiente de Similitud de Dice (DSC) del 45.64%, mejorando en 3.10 puntos porcentuales respecto a nnU-Net (42.54%). También logró las mejores métricas de borde entre todos los modelos, con un HD95 de 38.16 mm y un ASD de 10.01 mm. Aunque el coeficiente Dice absoluto sigue siendo modesto (consistente con la dificultad de la tarea y la variabilidad interobservador), NA-UNETR demostró una precisión de borde y estabilidad geométrica superiores en comparación con sus competidores.
• En ImageCAS (TC con contraste): El modelo logró un DSC del 79.49%, superando a todas las líneas base (por ejemplo, UNet++ con 78.57%) y mostrando mejoras estadísticamente significativas ($p < 0.05$) en Dice, clDice, HD95 y ASD.
• Eficiencia: NA-UNETR mantuvo una eficiencia computacional comparable a Swin UNETR (19.6M parámetros, 314.1B FLOPs) con un uso moderado de memoria GPU (4.17 GB) y latencia de inferencia (1.33 s/volumen).
• Estudios de Ablación: Confirmaron que la combinación de bloques residuales, tamaños de núcleo variables, la estrategia de entrenamiento de dos etapas y la función de pérdida ponderada por incertidumbre fueron todos críticos para la estabilidad del rendimiento y la precisión de los bordes.

Significancia y Reivindicaciones
El artículo afirma que NA-UNETR equilibra eficazmente la precisión local y el contexto global, permitiendo una segmentación más precisa de la estructura desafiante de la LAD en TC sin contraste que los métodos anteriores. Los autores posicionan este trabajo como un marco robusto y computacionalmente eficiente para la segmentación de subestructuras cardíacas en la planificación de radioterapia.

Los autores son modestos en sus afirmaciones clínicas, reconociendo que:

1. El rendimiento logrado en TC sin contraste todavía está limitado por los límites de visibilidad intrínsecos de la anatomía en estas imágenes.
2. Aunque el modelo mejora sobre las líneas base y reduce la brecha con la variabilidad del experto, aún no es adecuado para el despliegue clínico rutinario.
3. El valor principal radica en reducir el esfuerzo de edición manual y mejorar la consistencia para estructuras vasculares pequeñas y alargadas, sentando las bases para una futura integración en los flujos de trabajo de evaluación de dosis cardíaca.
4. El trabajo futuro requiere conjuntos de datos anotados más grandes, validación multi-institucional y estudios prospectivos para evaluar el ahorro de tiempo y la aceptación del usuario antes de su adopción clínica.