Este artículo aborda los problemas de procesamiento en múltiples etapas y el desenfoque de bordes en la segmentación de imágenes de glándulas de Meibomio. Se diseñó un algoritmo de segmentación de múltiples granulometrías de extremo a extremo. En la etapa de codificación, se utiliza la arquitectura del codificador TransUNet, que puede extraer eficientemente las características compartidas de las áreas del párpado y la glándula; en la etapa de decodificación, se emplean rutas de decodificación dobles con ramas de decodificadores diferentes para las distintas características del párpado y la glándula. Además, para el área de la glándula, se diseñó un módulo de fusión de características multiescala y se agregó un mecanismo de atención de canal en las conexiones de salto. Estas optimizaciones mejoraron la precisión de los bordes, la claridad de la textura y el contorno de la forma, resolviendo efectivamente los problemas de bordes borrosos y adhesión de glándulas. Para el área del párpado, se utiliza una estructura de decodificador estándar para la predicción de segmentación. A través de la comparación experimental con métodos avanzados de segmentación existentes, el algoritmo propuesto mostró un excelente rendimiento en el promedio de precisión de las glándulas meibomianas superiores e inferiores, alcanzando especialmente un índice promedio de intersección sobre unión y coeficiente de similitud Dice del 79.9 % y 76.5 %, respectivamente, lo que representa un aumento del 3.2 % y 5.3 % con respecto a TransUNet. El algoritmo puede segmentar con precisión la región objetivo de las imágenes de 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