يقدم هذا البحث شبكةً لتقسيم الحجوم تتعلم من صور حجمية مُشَرَّحة بشكل نادر. نوضح حالتين جذابتين لاستخدام هذه الطريقة: (1) في نظام شبه آلي، يقوم المستخدم بتوضيح بعض الشرائح في الحجم المراد تقسيمه. تتعلم الشبكة من هذه التوضيحات النادرة وتوفِّر تقسيماً ثلاثي الأبعاد كثيفاً. (2) في نظام آلي بالكامل، نفترض وجود مجموعة تدريب ممثلة ومُشَرَّحة بشكل نادر. بعد التدريب على هذه البيانات، تقوم الشبكة بتقسيم صور حجمية جديدة بكثافة. تم توسيع الشبكة المقترحة عن الهيكل السابق U-Net من روننبرغر وآخرون من خلال استبدال جميع العمليات ثنائية الأبعاد بنظيراتها ثلاثية الأبعاد. يتم تنفيذ التشوهات المرنية فورية أثناء التدريب للحصول على زيادة بيانات فعالة. يتم تدريبها من البداية حتى النهاية دون الحاجة إلى شبكة مسبقاً مدربة، أي أن لا يوجد حاجة لأي شبكة معدة مسبقًا. قمنا باختبار أداء الطريقة المقترحة على هيكل معقد ومعتدل التباين ثلاثي الأبعاد وهو الكلية السمنوجيانية (Xenopus)، وحققت نتائج جيدة لكلتا الحالتين الاستخداميتين.