Для решения проблем многоэтапной обработки и размытых краев при сегментации изображений мейбомиевых желез в данной статье разработан многоуровневый алгоритм сегментации от начала до конца. На этапе кодирования используется архитектура кодировщика TransUNet, которая эффективно извлекает общие признаки области века и железы; на этапе декодирования используется двойной путь декодирования с разными ветвями для различных признаков век и желез. Одновременно для зоны железы разработан модуль слияния признаков нескольких масштабов и добавлен механизм внимания к каналам в пропускных связях. Эти улучшения повысили точность краев, чёткость текстуры и контур формы, что эффективно решило проблемы размытия краёв и слипшихся желез. Для области века используется стандартная структура декодера для прогнозирования сегментации. По сравнению с существующими передовыми методами сегментации, предлагаемый алгоритм показывает выдающиеся результаты по средней точности на верхних и нижних мейбомиевых железах, особенно по ключевым показателям среднего перекрытия и коэффициента сходства Dice, достигнув 79,9% и 76,5% соответственно, что на 3,2% и 5,3% выше, чем у TransUNet. Алгоритм точно сегментирует целевые области изображений мейбомиевых желез и может служить основой для辅助 диагностики дисфункции мейбомиевых желез.

Сегментация изображений мейбомиевых желез; многоуровневая сегментация; CNN; Transformer; обработка медицинских изображений