في الآونة الأخيرة، أصبح التعلم العميق أكثر شيوعًا في مجال الرؤية الحاسوبية. وقد أدّت الشبكة العصبية التلافيفية (CNN) إلى تقدّم كبير في مجال تقسيم الصور، وخاصةً في الصور الطبية. وفي هذا السياق، يُعد نموذج U-Net هو الأسلوب المهيمن في مهام تقسيم الصور الطبية. فبالإضافة إلى أداؤه الجيد في تقسيم الصور الطبية متعددة النماذج بشكل عام، يُظهر أيضًا كفاءة مميزة في بعض الحالات الصعبة. ومع ذلك، لاحظنا أن بنية U-Net الكلاسيكية تمتلك قيودًا في عدة جوانب. لذلك، قمنا بإجراء تعديلات على النموذج: 1) تصميم بنية CNN فعّالة لاستبدال وحدتي الترميز (encoder) والفك (decoder)، و2) تطبيق وحدة الارتداد (residual module) بدلًا من الاتصالات المتقاطعة (skip connections) بين وحدتي الترميز والفك، بهدف تحسين النموذج بناءً على أحدث النماذج المتطورة من U-Net. وباتباع هذه التعديلات، تم تصميم بنية جديدة تُسمى DC-UNet، باعتبارها بديلًا محتملًا لنموذج U-Net. وقد قمنا بإنشاء بنية CNN فعّالة جديدة، ثم بناء نموذج DC-UNet بناءً عليها. وتم تقييم النموذج على ثلاث مجموعات بيانات تضم حالات صعبة، حيث أظهر تحسنًا نسبيًا في الأداء بنسبة 2.90% و1.49% و11.42% على التوالي مقارنةً بنموذج U-Net الكلاسيكي. بالإضافة إلى ذلك، استخدمنا معامل التشابه تانيموتو (Tanimoto similarity) بدلًا من معامل جاكارد (Jaccard similarity) لتحسين مقارنة الصور الرمادية بالرمادية.