临床评估左前降支（Left Anterior Descending Artery，LAD）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 Attention，NA）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
