Para abordar los problemas de procesamiento multietapa y bordes borrosos en la segmentación de imágenes de glándulas de Meibomio, este artículo diseña un algoritmo de segmentación multi-granularidad de extremo a extremo. En la fase de codificación, se utiliza la arquitectura del codificador TransUNet, que puede extraer eficientemente características compartidas de las áreas de párpado y glándula; en la fase de decodificación, se emplean caminos de decodificación duales con ramas de decodificador diferentes para las diferentes características de las áreas de párpado y glándula. Al mismo tiempo, para la zona de la glándula, se diseñó un módulo de fusión de características multiescala y se añadió un mecanismo de atención por canal en las conexiones de salto. Estas optimizaciones mejoraron la precisión del borde, la claridad de la textura y el contorno de la forma, resolviendo eficazmente los problemas de borde borroso y adhesión glandular. Para la zona del párpado, se utiliza una estructura de decodificador estándar para la predicción de segmentación. Mediante una comparación experimental con métodos avanzados de segmentación existentes, el algoritmo propuesto mostró un rendimiento sobresaliente en la media de precisión de las glándulas de Meibomio superior e inferior, especialmente en indicadores clave como el promedio del índice de intersección sobre unión y el coeficiente de similitud de Dice, alcanzando el 79,9 % y 76,5 %, respectivamente, mejorando en un 3,2 % y 5,3 % frente a TransUNet. El algoritmo de este artículo puede segmentar con precisión las áreas objetivo de las imágenes de las glándulas de Meibomio, proporcionando una base para el diagnóstico asistido de la disfunción de las glándulas de Meibomio.

Segmentación de imágenes de glándulas de Meibomio; segmentación multi-granularidad; CNN; Transformer; procesamiento de imágenes médicas