تمييز الأورام الغدية يُعدّ تحديًا كبيرًا في التحليل التلقائي للصور المنظارية ضمن الأنظمة الداعمة السريرية المدعومة بالحوسبة. تم اقتراح نماذج تعتمد على الشبكات العصبية التلافيفية (CNN)، والمحولات (Transformers)، وتركيباتهما لتحقيق تقسيم الأورام الغدية بنتائج واعدة. ومع ذلك، تُعاني هذه النماذج من قيود، إما في نمذجة المظهر المحلي للأورام فقط، أو في غياب الميزات متعددة المستويات لتمثيل الاعتماد المكاني أثناء عملية التفكيك. تقدم هذه الورقة شبكة جديدة تُسمى ColonFormer لمعالجة هذه القيود. تعتمد ColonFormer على هيكل معمّد-مُفكّك (Encoder-Decoder) قادر على نمذجة المعلومات الدلالية على مدى طويل في كلا الفرعين (المُعمّد والمحوّل). يعتمد المُعمّد على بنية خفيفة تعتمد على المحولات لتمثيل العلاقات الدلالية الشاملة على مقاييس متعددة. أما المحول، فيُعدّ هيكلًا هرميًا مصممًا لتعلم الميزات متعددة المستويات بهدف تحسين تمثيل الميزات. علاوةً على ذلك، تم إضافة وحدة تحسين (Refinement Module) مع تقنية اتصال مُعاد تصميمها (Skip Connection جديدة) لتحسين حدود كائنات الأورام الغدية في الخريطة الشاملة، مما يُعزز من دقة التقسيم. أُجريت تجارب واسعة على خمسة مجموعات بيانات شهيرة كمعيار معياري لتقسيم الأورام الغدية، تشمل Kvasir، CVC-Clinic DB، CVC-ColonDB، CVC-T، وETIS-Larib. أظهرت النتائج التجريبية أن ColonFormer تتفوق على الطرق المتطورة الأخرى في جميع مجموعات البيانات القياسية.