临床评估左前降支Left Anterior Descending ArteryLAD的狭窄程度前第一步往往是在冠脉 CTA 三维体数据里把 LAD 完整地分割出来。LAD 是冠状动脉最重要的一支供血范围覆盖左心室前壁、室间隔前部大部分区域和心尖它的狭窄或闭塞直接影响治疗方案选择。三维分割的质量决定了后续管腔直径测量、斑块体积统计、狭窄率和血流动力学分析是否可信。问题是 LAD 本身很细直径只有几毫米走行弯曲部分节段还和心肌、静脉、心包边界混在一起再加上钙化斑块的高信号干扰常规分割网络经常把血管中间截断或把边缘扩大。Transformer 提供了一种新的建模思路用自注意力直接建立远程依赖。但 3D 医学影像里的 token 数量太大全局自注意力 O(N²) 的复杂度在真实体数据上根本跑不动。邻域注意力Neighborhood AttentionNA把注意力限制在每个体素的空间邻域内复杂度降为 O(N·k³)适合 LAD 这类细长连续目标。下面围绕“邻域注意力 Transformer 做 LAD 三维分割”这条主线从机制、网络结构、训练验证到排错路径展开帮助读者理解为什么这样设计以及如何在自己的数据上落地。1. 为什么 LAD 三维分割不能照搬普通器官分割方案1.1 LAD 的解剖特点和临床价值LAD 是冠状动脉左主干分出后最重要的分支沿前室间沟走行主要供应左心室前壁、室间隔前 2/3 和心尖区域。临床上医生需要评估 LAD 是否存在狭窄、钙化或非钙化斑块判断是否需要在特定节段放置支架。这个判断依赖管腔边界、血管中心线和斑块范围而这些都建立在对 LAD 准确分割的基础上。手动标注一段完整的 LAD 三维掩膜并不轻松。医生需要在横断位、冠状位、矢状位之间来回切换沿着血管逐层勾画还要处理分支、钙化和伪影。一个病例往往要花几十分钟不同医生之间的一致性也不稳定。因此自动或半自动的三维分割方法在临床辅助分析里有明确价值。1.2 细长管状目标给分割带来的具体难点从图像角度看LAD 是一个体素占比极低的目标。一张常见的 512×512×300 左右 CTA 体数据LAD 体素数通常只占总体素的千分之一甚至更低类别不平衡非常严重。从形态看血管走向弯曲在横断面上往往只占几个像素如果分割网络的下采样倍数过大细小分支很容易在特征图里消失。从对比度看近端 LAD 走行在心肌表面某些位置和心腔、静脉很难区分钙化斑块在 CT 上信号极高会让管腔边界出现强烈跳变模型容易把钙化点错误吞进血管或者直接把钙化附近的节段漏掉。这些因素叠加后常见的 CNN 分割网络容易出现两类典型问题。一类是血管中段断裂中间某个薄弱的体素被判成背景导致一条完整的 LAD 被切成两段。另一类是边缘假阳性