Для решения проблемы многоэтапной обработки и размытых краев при сегментации изображений мейбомиевых желез в данной работе разработан сквозной алгоритм многозернистой сегментации. На этапе кодирования используется архитектура кодировщика TransUNet, которая эффективно извлекает общие признаки области век и желез; на этапе декодирования применяются два декодирующих пути с различными ветвями декодера для разных признаков области века и желез соответственно. Одновременно для области желез разработан модуль многомасштабного слияния признаков с введением механизма внимания по каналам в пропусках соединений. Эти оптимизации повысили точность краев, четкость текстур и контуры формы, эффективно решая проблему размытых краев и слипшихся желез. Для области век используется стандартная структура декодера для предсказания сегментации. По сравнению с существующими передовыми методами сегментации, предложенный алгоритм демонстрирует превосходные показатели по средней точности мейбомиевых желез верхнего и нижнего век, особенно по ключевым показателям среднему пересечению по объединению (IoU) и коэффициенту сходства Dice, достигнув 79.9% и 76.5% соответственно, что выше TransUNet на 3.2% и 5.3%. Алгоритм данной работы способен точно сегментировать целевые области изображений мейбомиевых желез и может служить основой для вспомогательной диагностики дисфункции мейбомиевых желез.

Сегментация изображений мейбомиевых желез;Многозернистая сегментация;CNN;Transformer;Обработка медицинских изображений