Este artigo aborda os problemas do processamento em múltiplas etapas e o desfoque das bordas na segmentação de imagens das glândulas de Meibômio. Foi projetado um algoritmo de segmentação multiresolução de ponta a ponta. Na fase de codificação, utiliza-se a arquitetura do codificador TransUNet, que pode extrair eficientemente as características compartilhadas das regiões da pálpebra e da glândula; na fase de decodificação, são adotados caminhos duplos de decodificação com diferentes ramos de decodificador para as diferentes características das regiões da pálpebra e da glândula. Além disso, para a região da glândula, foi projetado um módulo de fusão de características em múltiplas escalas, e um mecanismo de atenção de canal foi adicionado nas conexões de salto. Essas otimizações melhoraram a precisão das bordas, a clareza da textura e o contorno da forma, resolvendo efetivamente os problemas de desfoque das bordas e adesão das glândulas. Para a região da pálpebra, utiliza-se uma estrutura de decodificador padrão para a predição da segmentação. Através de uma comparação experimental com métodos avançados de segmentação existentes, o algoritmo proposto demonstrou excelente desempenho na média da precisão das glândulas de pálpebra superior e inferior, alcançando especialmente 79,9% e 76,5% para os indicadores-chave de média de interseção sobre união e coeficiente de similaridade de Dice, respectivamente, representando um aumento de 3,2% e 5,3% em relação ao TransUNet. O algoritmo pode segmentar com precisão a região alvo das imagens das glândulas de Meibômio, fornecendo uma base para o diagnóstico assistido da disfunção das glândulas de Meibômio.

Segmentação de imagens das glândulas de Meibômio;Segmentação multiresolução;CNN;Transformer;Processamento de imagens médicas