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

Sintesi Tecnica: NA-UNETR per la segmentazione dell'LAD

Definizione del Problema
La segmentazione accurata dell'arteria discendente anteriore sinistra (LAD) in scansioni TC 3D a respiro libero e senza contrasto è fondamentale per il risparmio della dose toracica nella radioterapia cardiaca. Tuttavia, questo compito è eccezionalmente difficile a causa del calibro minuto della LAD, del scarso contrasto tra i tessuti molli e della significativa variabilità anatomica. Anche la delineazione manuale da parte degli esperti soffre di una bassa concordanza inter-osservatore (punteggi Dice compresi tra 0,10 e 0,53), evidenziando l'ambiguità dei confini vascolari. I metodi automatizzati esistenti, inclusi i CNN standard (ad es. U-Net, nnU-Net) e i modelli basati su Transformer, faticano a catturare le dipendenze anatomiche a lungo raggio necessarie per la continuità del vaso, pur mantenendo la sensibilità verso strutture sottili e a basso contrasto in TC senza contrasto. Inoltre, la scarsità di dati LAD annotati da esperti crea un severo collo di bottiglia di "piccoli dati" per l'apprendimento supervisionato.

Metodologia: NA-UNETR
Gli autori propongono NA-UNETR, un framework di segmentazione basato su 3D transformer progettato per bilanciare la precisione locale con la modellazione del contesto globale. La metodologia comprende quattro componenti tecniche chiave:

1. Architettura (Neighborhood Attention):

   • Il modello utilizza un backbone encoder-decoder in stile UNETR, ma sostituisce la standard auto-attenzione globale con blocchi di Neighborhood Attention (NA) e Dilated Neighborhood Attention (DiNA).
   • La NA restringe le interazioni tra i token a finestre locali $k \times k \times k$, introducendo un bias induttivo spaziale che impedisce la diluizione dei deboli segnali anatomici da parte delle risposte dominanti dello sfondo. Ciò è cruciale per preservare la continuità delle strutture vascolari sottili.
   • La DiNA estende il campo recettivo progressivamente attraverso i livelli campionando vicinanze dilatate, consentendo al modello di integrare segmenti vascolari più lunghi senza ricorrere a interazioni globali computazionalmente costose.
   • L'architettura include strati convoluzionali residui prima di ogni blocco NAT e convoluzioni depthwise per preservare i dettagli fini.

2. Strategia di Addestramento (Transfer Learning a due stadi):

   • Per affrontare la scarsità di dati LAD annotati, il modello impiega un approccio a due stadi. In primo luogo, viene pre-addestrato su un ampio dataset pubblico di 1.000 volumi CTA con contrasto (ImageCAS) per apprendere rappresentazioni generalizzate delle arterie coronarie.
   • In secondo luogo, viene affinato (fine-tuning) sul piccolo dataset istituzionale (LAD-SEG, $N=20$) utilizzando la Low-Rank Adaptation (LoRA). Nello specifico, i pesi dell'encoder sono congelati e vengono aggiornati solo i parametri del decoder e gli adattatori LoRA (rank $r=8$) inseriti nei livelli MLP dell'encoder. Questa strategia di aggiornamento efficiente dei parametri previene l'overfitting sul piccolo dataset target.

3. Funzione di Perdita (Ottimizzazione guidata dall'incertezza):

   • Una funzione di perdita composita combina la Dice-Focal Loss (per la sovrapposizione della regione e il focus sugli esempi difficili) e la Hausdorff Loss (per la precisione dei confini).
   • Questi componenti sono bilanciati dinamicamente tramite pesatura dell'incertezza omoscedastica. Il modello apprende due parametri di log-varianza per regolare automaticamente il contributo relativo della segmentazione e della perdita di confine durante l'addestramento, eliminando la necessità di una regolazione manuale dei pesi. Un termine perturbato dal rumore viene aggiunto alla Hausdorff loss per incoraggiare l'esplorazione delle caratteristiche di confine e prevenire l'overfitting.

4. Elaborazione dei Dati:

   • Pre-elaborazione: Include il clipping dell'intensità in $[-200, 400]$ HU, l'incremento del contrasto tramite regolazione gamma e il campionamento di patch centrati sull'arteria (rapporto foreground-to-background 1:1) per mitigare lo squilibrio delle classi.
   • Post-elaborazione: Una pipeline in tre fasi mantiene la componente connessa più grande, rimuove i piccoli oggetti (<64 voxel) e riempie i buchi per garantire la plausibilità anatomica.

Contributi Chiave

• Architettura Innovativa: Introduzione di NA-UNETR, che integra la Neighborhood Attention in un backbone 3D Transformer per affrontare specificamente le sfide poste dalle strutture tubolari sottili e a basso contrasto.
• Soluzione per Piccoli Dati: Un framework di transfer learning rigoroso che combina il pre-addestramento su larga scala di CTA con il fine-tuning basato su LoRA, superando efficacementamente il collo di bottiglia dei limitati dati LAD annotati.
• Strategia di Ottimizzazione: L'uso dell'incertezza omoscedastica per bilanciare dinamicamente le perdite di segmentazione e di confine, migliorando sia la sovrapposizione volumetrica che l'accuratezza del contorno senza la sintonizzazione manuale degli iperparametri.

Risultati
Il modello è stato valutato sul dataset istituzionale LAD-SEG e sul dataset pubblico ImageCAS contro i baseline di stato dell'arte per CNN e Transformer (inclusi nnU-Net, Swin UNETR e UNETR).

• Su LAD-SEG (TC senza contrasto): NA-UNETR ha ottenuto un Coefficiente di Somiglianza Dice (DSC) del 45,64%, migliorando di 3,10 punti percentuali rispetto a nnU-Net (42,54%). Ha inoltre ottenuto i migliori parametri di confine tra tutti i modelli, con un HD95 di 38,16 mm e un ASD di 10,01 mm. Sebbene il punteggio Dice assoluto rimanga modesto (coerente con la difficoltà del compito e la variabilità inter-osservatore), NA-UNETR ha dimostrato una precisione del confine e una stabilità geometrica superiori rispetto ai competitor.
• Su ImageCAS (TC con contrasto): Il modello ha ottenuto un DSC del 79,49%, superando tutti i baseline (ad es. UNet++ con 78,57%) e mostrando miglioramenti statisticamente significativi ($p < 0,05$) in Dice, clDice, HD95 e ASD.
• Efficienza: NA-UNETR ha mantenuto un'efficienza computazionale comparabile a Swin UNETR (19,6M parametri, 314,1B FLOPs) con un uso moderato della memoria GPU (4,17 GB) e una latenza di inferenza (1,33 s/volume).
• Studi di Ablazione: Hanno confermato che la combinazione di blocchi residui, dimensioni del kernel variabili, la strategia di addestramento a due stadi e la funzione di perdita pesata sull'incertezza sono tutti critici per la stabilità delle prestazioni e la precisione del confine.

Significato e Rivendicazioni
Il documento sostiene che NA-UNETR bilancia efficacemente la precisione locale e il contesto globale, consentendo una segmentazione più accurata della complessa struttura della LAD in TC senza contrasto rispetto ai metodi precedenti. Gli autori posizionano questo lavoro come un framework robusto ed efficiente dal punto di vista computazionale per la segmentazione a livello di sottostruttura nella pianificazione della radioterapia cardiaca.

Gli autori sono cauti nelle loro rivendicazioni cliniche, riconoscendo che:

1. Le prestazioni ottenute sulla TC senza contrasto sono ancora limitate dai limiti intrinseci di visibilità dell'anatomia in queste immagini.
2. Sebbene il modello migliori rispetto ai baseline e riduca il divario con la variabilità dell'esperto, non è ancora adatto per l'impiego clinico di routine.
3. Il valore primario risiede nella riduzione dello sforzo di editing manuale e nel miglioramento della coerenza per le strutture vascolari piccole ed allungate, ponendo le basi per la futura integrazione nei flussi di lavoro di valutazione della dose cardiaca.
4. Il lavoro futuro richiede dataset annotati più ampi, validazione multi-istituzionale e studi prospettici per valutare il risparmio di tempo e l'accettazione da parte dell'utente prima dell'adozione clinica.