تطورت تقنيات التصوير المقطعي بالإشعاع السيني (XCT) إلى درجة تمكن فيها من جمع بيانات عالية الدقة بسرعة كبيرة، بحيث أصبحت الطرق التقليدية للفصل (Segmentation) مرهقة بشكل مفرط، مما يتطلب خطوط أنابيب بيانات آلية قادرة على التعامل مع الصور ثلاثية الأبعاد المعقدة. وقد أظهر التعلم العميق نجاحًا في العديد من مهام معالجة الصور، بما في ذلك التطبيقات في علوم المواد، مقدّمًا بديلاً واعدًا لخطوط أنابيب الفصل الخالية من التدخل البشري. في هذا البحث، تم اقتراح نموذج مُعدّل من نموذج UNet يُعرف بـ "UNet المُعدّل (Modular U-Net)"، وتم تدريبه للفصل في صور التصوير المقطعي ثلاثية الأبعاد لنظام مكوّن من ثلاث مراحل من الألياف الزجاجية المدعمة ببولياميد 66. وقمنا بمقارنة النسختين ثنائية وثلاثية الأبعاد من النموذج، ووجدنا أن النسخة الثنائية أداءً أفضل قليلاً من النسخة ثلاثية الأبعاد. كما لاحظنا أن نتائج مماثلة لتلك التي تُحققها البشر يمكن تحقيقها حتى باستخدام فقط 10 طبقات مُعلّمة، وأن استخدام نموذج UNet عميق نسبيًا يؤدي إلى نتائج أفضل من استخدام نموذج أعمق. ونتيجة لذلك، تُظهر الشبكات العصبية (NN) بالفعل مسارًا واعدًا لتمكين خطوط أنابيب معالجة بيانات XCT تلقائيًا دون الحاجة إلى تدخل بشري مخصص أو تدخل يدوي.