Cet article aborde les problèmes de traitement multi-étapes et de flou des contours dans la segmentation des images des glandes de Meibomius. Nous proposons un algorithme de segmentation multiprécision de bout en bout. Lors de la phase d'encodage, nous utilisons l'architecture d'encodeur TransUNet, capable d'extraire efficacement les caractéristiques partagées des régions de la paupière et de la glande ; pendant la phase de décodage, des chemins de décodage doubles sont utilisés avec des branches distinctes pour les caractéristiques des paupières et des glandes. Un module de fusion de caractéristiques multi-échelles est conçu pour la région de la glande, avec un mécanisme d'attention sur les canaux intégré dans les connexions de saut. Ces optimisations améliorent la précision des contours, la clarté des textures et le contour des formes, résolvant efficacement les problèmes de flou des bords et d'adhérence des glandes. Pour la région de la paupière, une structure de décodeur standard est employée pour la prédiction de segmentation. Comparée aux méthodes avancées existantes, l'algorithme proposé montre d'excellentes performances sur la précision moyenne des glandes palpébrales supérieures et inférieures, atteignant notamment 79,9 % et 76,5 % pour les indicateurs clés d'Intersection sur Union moyenne et de coefficient de similarité Dice, soit des améliorations respectives de 3,2 % et 5,3 % par rapport à TransUNet. L'algorithme peut segmenter avec précision la région cible 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 multiprécision;CNN;Transformer;Traitement d'images médicales