إن كشف وتقسيم النوى في صور الأنسجة المُصبغة بحمض الهيماتوكسيلين والايوزين (H&E) يُعد مهمة سريرية مهمة وضرورية لعدد كبير من التطبيقات. ومع ذلك، يُعد هذا المهمة تحديًا كبيرًا بسبب التباين في لون الصبغة وحجم النوى، بالإضافة إلى حدودها المتشابكة والاندماجات الناتجة عن تجمع النوى. وعلى الرغم من الاستخدام الواسع للشبكات العصبية التلافيفية (CNN) في هذا المجال، نستكشف في هذا العمل الإمكانات الكامنة للشبكات القائمة على مُحولات (Transformer) في هذا المجال. ولذلك، نقدم طريقة جديدة لتقسيم مثيلات خلايا النوى تلقائيًا في العينات النسيجية الرقمية باستخدام بنية تعتمد على نموذج "Vision Transformer" يُدعى CellViT. تم تدريب وتجريب CellViT على مجموعة بيانات PanNuke، وهي واحدة من أكثر مجموعات بيانات تقسيم مثيلات النوى تحديًا، وتضم ما يقارب 200,000 نواة مُعلَّمة ضمن 5 فئات سريرية مهمة في 19 نوعًا من الأنسجة. ونُظهر تفوق النماذج المُدرَّبة مسبقًا على نطاق واسع داخل المجال (in-domain) وخارج المجال (out-of-domain) من نماذج Vision Transformer، وذلك من خلال الاستفادة من نموذج Segment Anything المُنشور حديثًا، بالإضافة إلى نموذج ViT-encoder المُدرَّب مسبقًا على 104 مليون قطعة صورة هستولوجية - مما يحقق أداءً رائدًا في مجال كشف النوى وتقسيمها كمثيلات على مجموعة بيانات PanNuke، بجودة مجمعة متوسطة (mean panoptic quality) تبلغ 0.50، ودرجة F1 للكشف تبلغ 0.83. يمكن الوصول إلى الشفرة المصدرية بشكل عام عبر الرابط: https://github.com/TIO-IKIM/CellViT