في الآونة الأخيرة، لوحظ اهتمام متزايد بالتحليل الدلالي القائم على التعلم العميق. يُعدّ معمارية UNet، التي تُعدّ إحدى شبكات التعلم العميق ذات البنية المُشفّرة-المُفكّكة (encoder-decoder)، من أكثر الهياكل استخدامًا في تجزئة الصور الطبية. وتعتبر دمج الميزات متعددة المقاييس أحد العوامل الهامة لتحقيق تجزئة دقيقة. وقد تم تطوير UNet++ كنسخة معدلة من UNet من خلال تصميم هيكل يعتمد على روابط تخطّي متداخلة وكثيفة. ومع ذلك، لا تستفيد هذه البنية بشكل كافٍ من المعلومات المتوفرة على جميع المقاييس، ما يترك مجالًا واسعًا للتحسين. في هذه الورقة، نقترح طريقة جديدة تُسمّى UNet 3+، التي تستفيد من روابط التخطّي على جميع المقاييس والرقابة العميقة (deep supervision). حيث تدمج روابط التخطّي على جميع المقاييس بين التفاصيل من المستويات المنخفضة والمعاني من المستويات العالية المستمدة من خرائط الميزات المختلفة المقاييس؛ بينما تتعلم الرقابة العميقة تمثيلات هرمية من خرائط الميزات المجمعة على جميع المقاييس. وتميّز هذه الطريقة بكونها مفيدة بشكل خاص للأعضاء التي تظهر بمقاييس متغيرة. وبالإضافة إلى تحسين الدقة، يمكن لـ UNet 3+ تقليل عدد المعاملات في الشبكة، مما يُحسّن كفاءة الحساب. كما نقترح دالة خسارة هجينة ونُصمم وحدة موجهة بالتصنيف لتعزيز حدود الأعضاء وتقليل التجزئة الزائدة في الصور غير العضوية، مما يؤدي إلى نتائج تجزئة أكثر دقة. وقد أُثبتت فعالية الطريقة المقترحة على مجموعتين من البيانات. ويمكن الوصول إلى الكود من خلال الرابط التالي: github.com/ZJUGiveLab/UNet-Version