في الآونة الأخيرة، جذبت الاتصالات الكثيفة اهتمامًا كبيرًا في مجال رؤية الحاسوب لأنها تسهل تدفق التدرجات والإشراف العميق الضمني أثناء التدريب. بشكل خاص، أثبتت شبكة DenseNet، التي تربط كل طبقة بكل طبقة أخرى بطريقة تغذية متقدمة، كفاءتها الملفتة في مهام تصنيف الصور الطبيعية. نقترح هنا HyperDenseNet، وهي شبكة عصبية ثلاثية الأبعاد بالكامل تعزز تعريف الاتصالات الكثيفة لمشاكل تقسيم البيانات المتعددة الأوضاع. لكل وضع صورة مساره الخاص، وتحدث الاتصالات الكثيفة ليس فقط بين أزواج الطبقات ضمن المسار نفسه، بل أيضًا بين تلك الموجودة في مسارات مختلفة. هذا يختلف عن النهج الحالي للشبكات العصبية المتعددة الأوضاع (CNN)، حيث تعتمد نمذجة عدة أوضاع تمامًا على طبقة مشتركة واحدة (أو مستوى من مستويات التجريد) للدمج، عادةً إما عند المدخل أو عند المخرج من الشبكة. لذلك، فإن الشبكة المقترحة لديها حرية كاملة لتعلم تركيبات أكثر تعقيدًا بين الأوضاع، داخل جميع مستويات التجريد وفيما بينها، مما يزيد بشكل كبير من تمثيل التعلم. نقدم تقييمات واسعة النطاق على تحديين مختلفين ومتنافسين بشدة في تقسيم أنسجة الدماغ المتعددة الأوضاع: iSEG 2017 و MRBrainS 2013، حيث يركز الأول على بيانات الرضع الذين عمرهم ستة أشهر والثاني على الصور الخاصة بالبالغين. حققت HyperDenseNet تحسينات كبيرة مقارنة بعديد من شبكات التقسيم الأكثر تقدمًا حاليًا، لتحتل المركز الأول في كلا المعايير المرجعية. كما نوفر تحليلًا تجريبيًا شاملًا لإعادة استخدام الخصائص، مما يؤكد أهمية الاتصالات الفائقة الكثافة في تعلم التمثيل المتعدد الأوضاع. شفرتنا المصدر متاحة للعموم على الرابط https://www.github.com/josedolz/HyperDenseNet.