تمثّل تقسيم الصور الطبية تحديًا كبيرًا بسبب التباين الكبير في البنية التشريحية بين الحالات المختلفة. وقد أظهرت التطورات الحديثة في أطر التعلم العميق أداءً أسرع وأدق في تقسيم الصور. ومن بين الشبكات الموجودة، تم استخدام نموذج U-Net بنجاح في تقسيم الصور الطبية. في هذا البحث، نقترح توسيعًا لنموذج U-Net لتقسيم الصور الطبية، حيث نستفيد بالكامل من ميزات U-Net، ووحدة التقليل والتحفيز (SE)، والشبكة التلافيفية ذات الاتجاهين (BConvLSTM)، وآلية التلافيف الكثيفة. (1) نُحسّن أداء التقسيم من خلال استخدام وحدات SE داخل نموذج U-Net، مع تأثير ضئيل على تعقيد النموذج. حيث تقوم هذه الوحدات بإعادة ضبط استجابات الميزات حسب القنوات بشكل تكيفي، وذلك باستخدام آلية التحكم الذاتي التي تعتمد على المعلومات العالمية المدمجة في خرائط الميزات. (2) لتعزيز انتقال الميزات وتشجيع إعادة استخدامها، نستخدم التلافيف الكثيفة في الطبقة التلافيفية الأخيرة من مسار الترميز. (3) بدلًا من التوحيدي البسيط في روابط التخطي (skip connections) الخاصة بنموذج U-Net، نستخدم BConvLSTM في جميع مستويات الشبكة لدمج خرائط الميزات المستخرجة من مسار الترميز المقابل، مع طبقة التحويل العكسي السابقة في عملية غير خطية. وقد تم تقييم النموذج المقترح على ستة مجموعات بيانات: DRIVE، ISIC 2017 و2018، تقسيم الرئة، وبيانات $PH^2$PH2، وتقسيم نوى الخلايا، حيث أظهر أداءً متميزًا مقارنة بأفضل النماذج الحالية.