تمثّل نماذج التجزئة الصورية الطبية مثل UNet وتوسعاتها الحديثة مثل TransUNet، التي اكتسبت مكانة رائدة في السنوات الأخيرة. ومع ذلك، فإن هذه الشبكات لا يمكن استخدامها بكفاءة في تطبيقات التجزئة السريعة في أماكن تقديم الرعاية الصحية (point-of-care) نظرًا لكونها غنية بالمعاملات، وتعقيد حسابي عالٍ، وبطيئة في الأداء. ولحل هذه المشكلة، نقترح شبكة UNeXt، وهي شبكة تعتمد على معالج متعدد الطبقات (MLP) قائم على التباعد (Convolutional)، وتُصمم بطريقة فعّالة تضم مرحلة تباعدية مبكرة ومرحلة MLP في المرحلة الخفية (latent stage). ونُقدّم بلوك MLP مُرمز (tokenized MLP block)، حيث نُرَمِّز بشكل فعّال ونُنَقِّل ميزات التباعد، ثم نستخدم شبكات MLP لتمثيل هذه الميزات. ولتعزيز الأداء أكثر، نقترح تحويل قنوات المدخلات عند إدخالها إلى شبكات MLP، بهدف التركيز على تعلّم الاعتماديات المحلية. وعند استخدام بلوكات MLP المُرمزَة في الفضاء الخفي، يتم تقليل عدد المعاملات وتعقيد الحسابات، مع القدرة على توليد تمثيل أفضل يُسهم في تحسين التجزئة. كما تتضمّن الشبكة روابط تخطّي (skip connections) بين مستويات مختلفة من المُشفِّر (encoder) والمُفكِّك (decoder). وقد قُمنا باختبار UNeXt على عدة مجموعات بيانات لتجزئة الصور الطبية، وتبين أننا قللنا عدد المعاملات بنسبة 72 مرة، وقلّصنا التعقيد الحسابي بنسبة 68 مرة، وزيّدنا سرعة الاستدلال بنسبة 10 مرات، مع تحقيق أداءً أفضل في التجزئة مقارنةً بأفضل النماذج الحالية في مجال تجزئة الصور الطبية. يُمكن الوصول إلى الكود عبر الرابط التالي: https://github.com/jeya-maria-jose/UNeXt-pytorch