التمييز الدلالي للصورة هو عملية تسمية كل بكسل في الصورة بصنفه المقابل. يعتبر نهج المُشفِّر والمُفكِّك (encoder-decoder)، مثل U-Net ومتغيراتها، استراتيجية شائعة لحل مهام التمييز الطبي للصور. لتحسين أداء U-Net في مهام التمييز المختلفة، نقترح هندسة جديدة تُدعى DoubleU-Net، وهي مزيج من هندستين U-Net متراكمتين فوق بعضهما البعض. يستخدم أول U-Net مُشفِّر VGG-19 مسبق التدريب، والذي قد تعلم الخصائص من ImageNet ويمكن نقلها بسهولة إلى مهمة أخرى. لالتقاط المزيد من المعلومات الدلالية بكفاءة، أضفنا U-Net آخر في الأسفل. كما نعتمد تقنية Atrous Spatial Pyramid Pooling (ASPP) للا nabershaq السياق داخل الشبكة.لقد قمنا بتقييم DoubleU-Net باستخدام أربع مجموعات بيانات للتمييز الطبي، تغطي أنماط تصوير مختلفة مثل التنظير المعدي المعوي والتنبيب الجلدي والمجهرية. أظهرت التجارب على تحدي التمييز MICCAI 2015 ومجموعة بيانات CVC-ClinicDB وتحدي Data Science Bowl 2018 ومجموعات بيانات تمييز حدود الأورام أن DoubleU-Net يتفوق على U-Net والنماذج الأساسية. علاوة على ذلك، ينتج DoubleU-Net أقنعة تمييز أكثر دقة، خاصة في حالة مجموعة بيانات CVC-ClinicDB وتحدي التمييز MICCAI 2015، والتي تحتوي على صور صعبة مثل البوليبات الصغيرة والمسطحة. هذه النتائج تظهر التحسين على النموذج الحالي من U-Net. النتائج المشجعة التي تم إنتاجها على مجموعات البيانات المختلفة للتمييز الطبي للصور تدل على أن DoubleU-Net يمكن استخدامه كنموذج أساسي قوي لكل من التمييز الطبي للصور وتقييم الاختبار عبر المجموعات لقياس قابلية تعميم نماذج التعلم العميق (Deep Learning - DL).