Pour traiter les problèmes de traitement en plusieurs étapes et de flou aux bords dans la segmentation des images des glandes de Meibomius, cet article propose un algorithme de segmentation multi-granularité de bout en bout. Lors de la phase d'encodage, une architecture d'encodeur TransUNet est utilisée pour extraire efficacement les caractéristiques partagées des zones des paupières et des glandes; lors de la phase de décodage, deux chemins de décodage avec différentes branches de décodeur sont configurés pour les caractéristiques spécifiques des zones de la paupière et des glandes respectivement. Parallèlement, un module de fusion de caractéristiques multi-échelle est conçu pour la région des glandes, avec un mécanisme d'attention des canaux ajouté dans les connexions sautées. Ces optimisations améliorent la précision des bords, la clarté des textures et le contour des formes, résolvant efficacement les problèmes de flou des bords et d'adhésion des glandes. Pour la région des paupières, une structure de décodeur standard est adoptée pour la prédiction de segmentation. Comparé aux méthodes de segmentation avancées existantes, l'algorithme proposé présente d'excellentes performances en moyenne de précision des glandes des paupières supérieures et inférieures, notamment sur les indicateurs clés de l'Intersection sur Union moyenne (IoU) et du coefficient de similarité Dice, atteignant respectivement 79,9% et 76,5%, en hausse 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 le diagnostic assisté des dysfonctionnements des glandes de Meibomius.

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