تم تطوير تقسيم الصور الطبية – الذي يُعد شرطًا مسبقًا لعدد كبير من الاحتياجات السريرية – بشكل كبير بفضل التطورات الحديثة في الشبكات العصبية التلافيفية (CNN). ومع ذلك، يعاني هذا المجال من قيود عامة في نمذجة العلاقات الطويلة المدى الصريحة، كما أن الحلول الحالية، التي تعتمد على بناء مشغلات عميقة مع عمليات تقليل حجم شديدة، تؤدي إلى شبكات عميقة زائدة عن الحاجة وفقدان التفاصيل المحلية الدقيقة. ولهذا السبب، يظل تحسين كفاءة نمذجة السياقات العالمية مع الحفاظ على فهم قوي للتفاصيل من المستوى المنخفض تحديًا ملّحًا في مهام التقسيم. في هذا البحث، نقترح معمارية جديدة من نوع التفرع الموازي، تُدعى TransFuse، لمعالجة هذه التحديات. تعتمد TransFuse على دمج معماريتي Transformers وCNNs بطريقة موازية، مما يسمح باستخلاص العلاقة العالمية والتفاصيل المكانية منخفضة المستوى بشكل فعّال عبر بنية أعمق بكثير. بالإضافة إلى ذلك، تم تطوير تقنية تكامل جديدة تُسمى وحدة BiFusion، لدمج الخصائص متعددة المستويات من كلا الفرعين بشكل فعّال. أظهرت التجارب الواسعة أن TransFuse تحقق أفضل النتائج المنشورة حديثًا على مجموعات صور طبية ثنائية وثلاثية الأبعاد، تشمل تقسيم الأنسجة الدهنية، والبقع الجلدية، والورك، والغدة البروستاتية، مع تقليل كبير في عدد المعلمات وتحسين ملحوظ في سرعة الاستنتاج.