معظم طرق تقسيم الصور الطبية تستخدم شبكة U-Net أو نسخها المعدلة، وذلك لأنها حققت نجاحًا في معظم التطبيقات. بعد تحليل مفصل لهذه الطرق "التقليدية" القائمة على الترميز-التفكيك (encoder-decoder)، لوحظ أنها تؤدي أداءً ضعيفًا في اكتشاف الهياكل الصغيرة ولا تستطيع تقسيم المناطق الحدودية بدقة. يمكن نسب هذه المشكلة إلى زيادة حجم المجال الاستقبالي (receptive field) كلما انتقلنا إلى أعماق أكبر في الشبكة الترميزية. التركيز الإضافي على تعلم الخصائص عالية المستوى يسبب للشبكات المستندة إلى U-Net تعلم معلومات أقل عن الخصائص منخفضة المستوى التي تعتبر أساسية لاكتشاف الهياكل الصغيرة. لتجاوز هذه المشكلة، نقترح استخدام هندسة تشبيكية متكررة حيث نقوم بتحويل صورة الإدخال إلى بُعد أعلى بحيث نقيّد زيادة حجم المجال الاستقبالي في الطبقات العميقة من الشبكة.صممنا هندسة جديدة لتقسيم الصور تسمى KiU-Net وتحتوي على فرعين: (1) شبكة تشبيكية متكررة Kite-Net التي تتعلم التقاط التفاصيل الدقيقة والحواف الدقيقة للإدخال، و(2) U-Net التي تتعلم الخصائص عالية المستوى. بالإضافة إلى ذلك، نقترح أيضًا KiU-Net 3D وهي هندسة تشبيكية ثلاثية الأبعاد لتقسيم الحجوم. قمنا بدراسة مفصلة لـ KiU-Net عبر إجراء التجارب على خمسة مجموعات بيانات مختلفة تغطي أنواعًا متعددة من الوسائط الصورية مثل التصوير بالموجات فوق الصوتية (US)، والتصوير بالرنين المغناطيسي (MRI)، والتصوير المقطعي المحوسب (CT)، والتصوير المجهرى، وصور قاع العين. يحقق الطريقة المقترحة أداءً أفضل مقارنة بكافة الطرق الحديثة مع فائدة إضافية تمثلت في وجود عدد أقل من المعالم وأسرع التقارب. كما أظهرنا أيضًا أن التوسعات المستندة إلى كتل البواقي وكتل الكثافة في KiU-Net أدت إلى تحسينات إضافية في الأداء. يمكن العثور على تنفيذ KiU-Net هنا: https://github.com/jeya-maria-jose/KiU-Net-pytorch