زادت الكمية الكبيرة من المجموعات المتاحة من البيانات السريرية والتجريبية، مما أسهم في إسهامات مهمة كبيرة في مجال تحليل الصور الطبية الحيوية. وقد لاقت تقسيم الصور، الذي يُعد أمرًا حاسمًا لأي تحليل كمي، اهتمامًا خاصًا. وقد أدت التطورات الحديثة في المعدات إلى نجاح مناهج التعلم العميق. ومع ذلك، رغم أن نماذج التعلم العميق تُدرّب على مجموعات بيانات ضخمة، فإن الطرق الحالية لا تستخدم المعلومات المستمدة من مختلف دورات التدريب بشكل فعّال. في هذا العمل، نستفيد من معلومات كل دورة تدريبية لتقليم خرائط التنبؤ في الدورات التالية. ونُقدّم معمارية جديدة تُسمى شبكة الانتباه التغذوية (FANet) التي توحّد قناع الدورة السابقة مع خريطة الميزات في الدورة التدريبية الحالية. ثم تُستخدم قناع الدورة السابقة لتوفير انتباه صارم على خرائط الميزات المُتعلّمة في طبقات التConvolution المختلفة. كما تتيح الشبكة تصحيح التنبؤات بشكل تكراري خلال وقت الاختبار. ونُظهر أن نموذجنا المُقترح المُسمّى "الانتباه التغذوي" يُحقق تحسنًا كبيرًا في معظم مقاييس التقسيم التي تم اختبارها على سبعة مجموعات بيانات صور طبية حيوية متاحة للعامة، مما يُثبت فعالية FANet. ويمكن الوصول إلى الكود المصدري عبر الرابط: \url{https://github.com/nikhilroxtomar/FANet}.