Pour traiter les problèmes de traitement multi-étapes et de flou des bords dans la segmentation des images des glandes de Meibomius, cet article conçoit un algorithme de segmentation multi-granularité de bout en bout. Lors de la phase d'encodage, une architecture d'encodeur TransUNet est utilisée, capable d'extraire efficacement les caractéristiques partagées des zones des paupières et des glandes ; lors de la phase de décodage, un double chemin de décodage est adopté avec des branches de décodeur différentes pour les caractéristiques distinctes des paupières et des glandes. Par ailleurs, pour la zone des glandes, un module de fusion de caractéristiques multi-échelle a été conçu, avec un mécanisme d'attention aux canaux ajouté dans les connexions sautées. Ces optimisations ont amélioré la précision des bords, la clarté de la texture et le contour de la forme, résolvant efficacement les problèmes de flou des bords et d'adhérence des glandes. Pour la zone des paupières, une structure de décodeur standard est utilisée pour la prédiction de segmentation. Par comparaison expérimentale avec les méthodes avancées actuelles, l'algorithme proposé montre une excellente performance en précision moyenne sur les glandes des paupières supérieures et inférieures, notamment sur les indicateurs clés de l'IoU moyen et du coefficient de similarité Dice, atteignant respectivement 79,9 % et 76,5 %, avec des améliorations de 3,2 % et 5,3 % par rapport à TransUNet. L'algorithme de cet article peut segmenter précisément les zones cibles des images des glandes de Meibomius, fournissant une base pour l'aide au diagnostic des dysfonctionnements des glandes de Meibomius.

Segmentation des images des glandes de Meibomius; segmentation multi-granularité; CNN; Transformer; traitement d'images médicales