يُعد تجزئة الصور الطبية بدقة وموثوقية أمرًا بالغ الأهمية لتشخيص الأمراض والعلاج. ويشكل هذا التحدي صعوبة كبيرة نظرًا لتنوع أحجام الأشياء وتشكيلاتها وطرق التصوير المستخدمة. في الآونة الأخيرة، تم تصميم العديد من الشبكات العصبية التلافيفية (CNN) لمهام التجزئة، وحققت نجاحًا كبيرًا. ومع ذلك، لم تُؤخذ أحجام الأشياء بعين الاعتبار بشكل كامل في معظم الدراسات، مما أدى إلى أداء ضعيف نسبيًا في تجزئة الأشياء الصغيرة، وهو ما قد يؤثر بشكل كبير على الكشف المبكر عن الأمراض. تقدم هذه الورقة نموذجًا يُسمى شبكة الانتباه المحوري السياقي (CaraNet) بهدف تحسين أداء التجزئة للأجسام الصغيرة مقارنةً بنماذج حديثة متميزة. تم اختبار نموذج CaraNet على مجموعات بيانات تجزئة أورام الدماغ (BraTS 2018) والأورام الغديّة (Kvasir-SEG، CVC-ColonDB، CVC-ClinicDB، CVC-300، وETIS-LaribPolypDB). وقد حقق CaraNet أفضل دقة متوسطة في معامل دايس (Dice) مقارنةً بالعديد من النماذج الحالية، كما أظهرت النتائج ميزة واضحة لنموذج CaraNet في تجزئة الأجسام الطبية الصغيرة.