Um die mehrstufige Verarbeitung und unscharfen Kantenprobleme bei der Segmentierung von Meibomschen Drüsenbildern anzugehen, wurde in dieser Arbeit ein end-to-end Multi-Granularitäts-Segmentierungsalgorithmus entwickelt. In der Codierungsphase wird die TransUNet-Encoder-Architektur verwendet, die effizient gemeinsame Merkmale der Lid- und Drüsenregion extrahiert; in der Decodierungsphase werden duale Decodierpfade mit unterschiedlichen Decodierzweigen für verschiedene Merkmale der Lid- und Drüsenregion eingesetzt. Gleichzeitig wurde für den Drüsenbereich ein Multi-Skalen-Merkmalsfusion-Modul entworfen und ein Kanalaufmerksamkeitsmechanismus in die Sprungverbindungen integriert. Diese Optimierungen verbesserten die Kantengenauigkeit, Texturklarheit und Formkonturen, wodurch die Probleme von unscharfen Kanten und Drüsenzusammenlagerungen effektiv gelöst wurden. Für die Lidregion wird eine Standard-Decodierstruktur zur Segmentierungsvorhersage verwendet. Im Vergleich zu bestehenden fortschrittlichen Segmentierungsmethoden zeigt der vorgeschlagene Algorithmus herausragende Leistungen in der durchschnittlichen Genauigkeit der oberen und unteren Meibom-Drüsen, insbesondere bei den Schlüsselindikatoren mittlere Überlappung und Dice-Ähnlichkeitskoeffizient mit 79,9 % bzw. 76,5 %, was eine Steigerung von 3,2 % bzw. 5,3 % gegenüber TransUNet darstellt. Der Algorithmus kann die Zielregionen in Meibomschen Drüsenbildern präzise segmentieren und bietet eine Grundlage für die assistierte Diagnose von Meibomscher Drüsenfunktionsstörung.

Segmentierung von Meibomschen Drüsenbildern; Multi-Granularitäts-Segmentierung; CNN; Transformer; medizinische Bildverarbeitung