بالرغم من الزيادة في الأبحاث التي تستخدم تقنيات التعلم العميق لاستخراج الهياكل الوعائية من صور OCTA ثنائية الأبعاد (2D en face)، إلا أن من المعروف أن عملية التسمية (annotation) للبيانات الخاصة بالهياكل المنحنية مثل الأوعية الدموية الشبكية تكون مكلفة جدًا وطويلة الأمد، رغم وجود بعض المحاولات المحدودة لمعالجة هذه المشكلة.في هذا العمل، نقترح تطبيق منهجية التعلم الضعيف القائمة على "الرسم السريع" (scribble-based weakly-supervised learning) لتمكين أتمتة عملية التسمية على مستوى البكسل. يُسمى المنهج المقترح "OCTAve"، وهو يدمج التعلم الضعيف باستخدام بيانات حقيقية مُسمّاة بطرق الرسم السريع، مع دعم تعاوني (adversarial) ودعم تلقائي عميق جديد (novel self-supervised deep supervision). تم تصميم آلية جديدة للاستفادة من النواتج التمييزية (discriminative outputs) الناتجة عن طبقة التمييز في بنية مشابهة لـ UNet، حيث يتم تقليل انحراف كولبكار-ليبلر (Kullback-Leibler Divergence) بين المجموع الكلي للنتائج التمييزية والخرائط التصنيفية (segmentation map predicate) أثناء التدريب. يؤدي هذا المنهج المدمج إلى تحسين دقة تحديد موقع الهياكل الوعائية، كما يُظهره تجاربنا. وقد تم التحقق من كفاءة المنهج المقترح على مجموعات بيانات عامة كبيرة، تشمل ROSE وOCTA-500. وتمت مقارنة أداء التصنيف مع كل من النماذج المتطورة ذات التدريب المُشرف بالكامل (fully-supervised) والمناهج القائمة على الرسم السريع ضمن التدريب الضعيف. تُوجد النسخة التنفيذية لعملنا في التجارب على الرابط التالي: [LINK].