تواجه مشكلة التسميات الضوضائية وجودًا حتميًا في تقسيم الصور الطبية، مما يؤدي إلى تدهور شديد في الأداء. كانت طرق التقسيم السابقة للتسميات الضوضائية تستفيد فقط من صورة واحدة بينما تم تجاهل إمكانية الاستفادة من الارتباط بين الصور. خاصةً في تقسيم الفيديو، تحتوي الإطارات المجاورة على معلومات سياقية غنية مفيدة في فهم التسميات الضوضائية. بناءً على فكرتين، نقترح إطار عمل "تعلم الارتباط الزمني للخصائص متعدد المقياس" (MS-TFAL) لحل مشكلات تقسيم الفيديو الطبي ذو التسميات الضوضائية. أولاً، نعتقد أن الأولوية المتسلسلة للفيديوهات هي مرجع فعال، أي أن الخصائص على مستوى البكسل من الإطارات المجاورة تكون قريبة المسافة لنفس الفئة وبعيدة المسافة خلاف ذلك. لذلك، تم تصميم "تعلم الارتباط الزمني للخصائص" (TFAL) لتوجيه التسميات المحتملة الضوضائية من خلال تقييم الارتباط بين البكسلات في إطارات متجاورة. كما لاحظنا أن توزيع الضوضاء يظهر تباينًا كبيرًا عبر مستويات الفيديو والصورة والبكسل. بهذه الطريقة، قمنا بتقديم "الإشراف متعدد المقياس" (MSS) لإشراف الشبكة من ثلاث زوايا مختلفة عن طريق إعادة وزن وتحسين العينات. هذا التصميم يتيح للشبكة التركيز على العينات النظيفة بطريقة تنتقل من الخشونة إلى الدقة. أثبتت التجارب باستخدام ضوضاء التسميات المصطنعة والحقيقية أن طريقتنا تتفوق على أحدث الأساليب المتينة في التقسيم. يمكن الوصول إلى الكود عبر الرابط: https://github.com/BeileiCui/MS-TFAL.