تساهم التجزئة الصورية الطبية في التشخيص المدعوم بالحوسبة والجراحات والعلاج. تُستخدم الصور الرقمية للشرائح النسيجية لتحليل وتقسيم الغدد والنووية والعلامات الحيوية الأخرى، والتي تُستخدم لاحقًا في التطبيقات الطبية المدعومة بالحوسبة. وبهدف ذلك، طوّر العديد من الباحثين شبكات عصبية مختلفة لأداء التجزئة على الصور الهيستولوجية، وغالبًا ما تعتمد هذه الشبكات على بنية المُشفِّر-المُفكِّك، وتستفيد أيضًا من وحدات انتباه معقدة أو نماذج المُحَوِّل (Transformers). ومع ذلك، فإن هذه الشبكات تُظهر دقة أقل في اكتشاف الميزات المحلية والعالمية ذات الصلة مع الكشف الدقيق عن الحدود على مقياس متعدد المراحل. ولذلك، قمنا بطرح شبكة مُشفِّر-مُفكِّك، ووحدة انتباه سريعة، ووظيفة خسارة متعددة (تضم مزيجًا من خسارة التباديل الثنائية (BCE Loss)، وخسارة التركيز (Focal Loss)، وLoss دايك (Dice Loss)). وقمنا بتقييم قدرة الشبكة المقترحة على التعميم على مجموعتي بيانات عامة متاحة للتجزئة الصورية الطبية، وهما MoNuSeg وGlaS، حيث تفوقت على الشبكات الرائدة في مجالها بنسبة تحسن بلغت 1.99% في مجموعة بيانات MoNuSeg و7.15% في مجموعة بيانات GlaS. يمكن الوصول إلى كود التنفيذ من خلال الرابط التالي: https://bit.ly/HistoSeg