إن التجزئة الدقيقة والتتبع الفعّال للخلايا في تسلسلات الصور المجهرية يُعد مهمة مهمة في الأبحاث الطبية الحيوية، على سبيل المثال لدراسة تطور الأنسجة أو الأعضاء أو الكائنات الحية بأكملها. ومع ذلك، لا يزال التجزئة للخلايا المتماسكة في الصور ذات نسبة الإشارة إلى الضوضاء المنخفضة مشكلةً صعبة. في هذا البحث، نقدّم طريقة لتجزئة الخلايا المتماسكة في الصور المجهرية. وباستخدام تمثيل جديد للحدود الخلوية، مستوحى من خرائط المسافات، تمكن طريقتنا من استغلال ليس فقط الخلايا المتماسكة، بل أيضًا الخلايا القريبة من بعضها في عملية التدريب. علاوةً على ذلك، يُعد هذا التمثيل مقاومًا بشكل ملحوظ لأخطاء التصنيف، ويُظهر نتائج واعدة لتجزئة الصور المجهرية التي تحتوي على أنواع خلوية غير ممثلة بشكل كافٍ أو غير مدرجة في بيانات التدريب. ولتنبؤ المسافات المجاورة المقترحة، نستخدم شبكة عصبية تلافيفية (CNN) من نوع U-Net معدلة، تمتلك طريقتين للفك (decoder paths). بالإضافة إلى ذلك، نعدّل خوارزمية تتبع خلوية قائمة على الرسوم البيانية لتقييم طريقتنا المقترحة في مهمة تتبع الخلايا. وتشمل الخوارزمية المعدلة تقديرًا للحركة في دالة التكلفة لإعادة ربط المسارات التي فقدت أقنعة التجزئة خلال فترة قصيرة من الإطارات. وقد أثبتت طريقتنا المدمجة للاتباع من خلال الكشف إمكاناتها في مسابقة تتبع الخلايا في IEEE ISBI 2020 (http://celltrackingchallenge.net/)، حيث حققنا كفريق KIT-Sch-GE ترتيبات ضمن الثلاثة الأوائل في عدة مجموعات بيانات متنوعة، بما في ذلك أداءً متميزًا في مرتين باستخدام نموذج تجزئة واحد فقط للبيانات المختلفة.