لقد شهدت الاهتمام المتسارع بتبني الهياكل القائمة على Transformer لتقسيم الصور الطبية. ومع ذلك، فإن نقص المجموعات الكبيرة من البيانات الطبية المُANNOTATED يجعل تحقيق أداء يعادل الأداء المُسجَّل في الصور الطبيعية أمرًا صعبًا. في المقابل، تمتلك الشبكات التلافيفية (Convolutional networks) انحيازات استنتاجية أعلى، وبالتالي يمكن تدريبها بسهولة على أداء عالٍ. في الآونة الأخيرة، حاولت هندسة ConvNeXt تحديث الشبكات التلافيفية القياسية من خلال تقليد بنى Transformer. وفي هذا العمل، نطور هذه الفكرة لتصميم هيكل تلافيفي حديث وقابل للتوسع، مخصص لمواجهة تحديات البيئات الطبية التي تعاني من نقص البيانات. نقدّم MedNeXt، وهي شبكة تقسيم ذات كيرنل كبير مستوحاة من Transformer، تتميز بـ: 1) شبكة مشفرة-فكّر 3D بالكامل تعتمد على ConvNeXt لتقسيم الصور الطبية، 2) كتل تناقص وزيادة تلافيفية متعددة التكرار (Residual ConvNeXt) لحفظ الغنى الدلالي عبر المقياس، 3) تقنية جديدة تقوم بزيادة حجم الكيرنل تدريجيًا عبر تكبير الشبكات ذات الكيرنل الصغيرة، لمنع توقف الأداء في ظل بيانات طبية محدودة، 4) تكبير مركب على مستويات متعددة في MedNeXt (العمق، العرض، حجم الكيرنل). يُحقق هذا الأداء الأفضل في مجال تقسيم الصور الطبية على أربع مهام باستخدام وحدات CT وMRI، وبأحجام مختلفة من البيانات، مما يُمثل هيكلًا عميقًا حديثًا لتقسيم الصور الطبية. تم إتاحة الكود الخاص بنا بشكل عام عبر الرابط التالي: https://github.com/MIC-DKFZ/MedNeXt.