تُعد تقسيم الأوعية الشبكية من صور الشبكية مهمة أساسية في تطوير أنظمة التشخيص المساعد بالحوسبة للأمراض الشبكية. وقد بُذلت جهود كبيرة لتطوير أساليب قائمة على التعلم العميق عالية الأداء لتقسيم صور الشبكية بطريقة نهائية (end-to-end). ومع ذلك، يتطلب جمع صور الأوعية الشبكية وعلامات التصنيف عملًا مكثفًا من قبل الأطباء المتخصصين، مما يؤدي إلى مجموعات تدريب صغيرة ذات علامات غير كاملة. كما هو معروف، تعاني الأساليب المعتمدة على البيانات من نقص البيانات، وغالبًا ما تُظهر النماذج تأقلمًا مفرطًا (over-fit) مع بيانات التدريب الصغيرة. وتزداد هذه المشكلة سوءًا عندما تكون علامات الأوعية المستخدمة في التدريب غير كاملة أو غير صحيحة. في هذا البحث، نقترح خطة تُسمى التعلم الجماعي الدراسية (SGL) لتحسين مقاومة النموذج المدرب على علامات ملوثة. بالإضافة إلى ذلك، توفر خ carta التحسين المستمدّة (learned enhancement map) تحسينًا في العرض البصري مقارنة بالطرق التقليدية، كأداة مساعدة للأطباء. وأظهرت التجارب أن الطريقة المقترحة تُحسّن أداء تقسيم الأوعية الشبكية بشكل أكبر في مجموعتي بيانات DRIVE وCHASE_DB1، خاصةً عندما تكون علامات التدريب ملوثة.