Um die mehrstufige Verarbeitung und Kantenunschärfe bei der Segmentierung von Meibom-Drüsenbildern zu adressieren, entwickelt dieser Artikel einen End-to-End-Mehrgranularitäts-Segmentierungsalgorithmus. In der Codierungsphase wird die TransUNet-Encoder-Architektur verwendet, die effizient gemeinsame Merkmale der Augenlid- und Drüsengebiete extrahieren kann; in der Decodierungsphase werden zwei Decodierungswege verwendet, um unterschiedliche Decodiererzweige für die verschiedenen Merkmale der Augenlid- und Drüsengebiete einzurichten. Gleichzeitig wird für den Drüsenbereich ein Mehrskaliges Merkmalsfusionmodul entworfen und im Skip-Connection ein Kanalkonzentrationsmechanismus hinzugefügt. Diese Optimierungen verbessern die Kantengenauigkeit, die Texturklarheit und die Formkontur und lösen somit effektiv die Probleme der Kantenschwäche und Drüsenverklebung. Für den Augenlidbereich wird eine Standard-Decoder-Struktur für die Segmentierungsvorhersage verwendet. Im Vergleich zu bestehenden fortgeschrittenen Segmentierungsmethoden zeigt der vorgeschlagene Algorithmus eine hervorragende Leistung bei der durchschnittlichen Genauigkeit der oberen und unteren Meibom-Drüsen, insbesondere bei den Schlüsselindikatoren des durchschnittlichen Intersection-over-Union (IoU) und des Dice-Ähnlichkeitskoeffizienten, die jeweils 79,9 % bzw. 76,5 % erreichen, was eine Steigerung von 3,2 % bzw. 5,3 % gegenüber TransUNet darstellt. Der Algorithmus dieses Artikels kann die Zielregionen von Meibom-Drüsenbildern präzise segmentieren und kann als Grundlage für die assistierte Diagnose von Meibom-Drüsendysfunktionen dienen.

Segmentierung von Meibom-Drüsenbildern;Mehrgranulare Segmentierung;CNN;Transformer;Medizinische Bildverarbeitung