Para lidar com o processamento em múltiplas etapas e o problema de bordas borradas na segmentação de imagens da glândula de Meibômio, este artigo projeta um algoritmo de segmentação multigranular de ponta a ponta. Na fase de codificação, é adotada a arquitetura do codificador TransUNet, que pode extrair eficientemente características compartilhadas das regiões das pálpebras e das glândulas; na fase de decodificação, são adotados caminhos duplos de decodificação para configurar diferentes ramos de decodificadores para as diferentes características das regiões das pálpebras e das glândulas. Ao mesmo tempo, para a região glandular, 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 eficazmente os problemas de borramento das bordas e adesão glandular. Para a região da pálpebra, é adotada uma estrutura padrão de decodificador para previsão de segmentação. Comparado com os métodos avançados de segmentação existentes, o algoritmo proposto apresentou excelente desempenho na média de precisão das glândulas de Meibômio superiores e inferiores, especialmente nos indicadores-chave de média de interseção sobre união e coeficiente de similaridade Dice, alcançando 79,9% e 76,5%, respectivamente, representando um aumento de 3,2% e 5,3% em relação ao TransUNet. O algoritmo deste artigo pode segmentar com precisão a região-alvo das imagens das glândulas de Meibômio, podendo fornecer uma base para o diagnóstico assistido da disfunção da glândula de Meibômio.

Segmentação de imagens da glândula de Meibômio;Segmentação multigranular;CNN;Transformer;Processamento de imagens médicas