Para abordar el problema del procesamiento en múltiples etapas y el desenfoque de bordes en la segmentación de imágenes de glándulas de Meibomio, este artículo diseña un algoritmo de segmentación multigranular 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 del párpado y la glándula; en la fase de decodificación, se emplean dos rutas de decodificación con diferentes ramas de decodificador para características diferentes de las áreas del párpado y la glándula, respectivamente. Al mismo tiempo, para la zona de la glándula, se diseñó un módulo de fusión de características multiescala y se incorporó un mecanismo de atención de 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 el problema del desenfoque de bordes y la adhesión de glándulas. Para el área del párpado, se utiliza una estructura estándar de decodificador para la predicción de segmentación. En comparación con los métodos avanzados de segmentación existentes, el algoritmo propuesto muestra un rendimiento excelente en el promedio de precisión de las glándulas de Meibomio superiores e inferiores, especialmente en los indicadores clave de IoU promedio y el coeficiente de similitud de Dice, logrando 79.9% y 76.5%, respectivamente, con un aumento de 3.2% y 5.3% sobre 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 multigranular;CNN;Transformer;Procesamiento de imágenes médicas