تُعد تقسيم الصور الطبية دورًا حاسمًا في اتخاذ القرارات السريرية، والتخطيط للعلاج، ومراقبة الأمراض. ومع ذلك، فإن التقسيم الدقيق للصور الطبية يواجه صعوبات كبيرة ناتجة عن عوامل متعددة، مثل نقص التصنيفات عالية الجودة، والضوضاء في الصور، والاختلافات التشريحية بين المرضى. بالإضافة إلى ذلك، لا تزال هناك فجوة كبيرة في الأداء بين الطرق الفعالة من حيث التسمية والطرق المُدرَّبة بالكامل باستخدام التسميات. ولحل هذه التحديات، نُقدّم "ScribbleVC"، وهي إطار عمل جديد لتقسيم الصور الطبية باستخدام التسميات بالخطّ المُرسوم (scribble)، والذي يستفيد من التضمينات البصرية والتصنيفية من خلال آلية تعزيز المعلومات متعددة الوسائط. علاوةً على ذلك، يستخدم "ScribbleVC" بشكل موحد خصائص الشبكة العصبية التلافيفية (CNN) وخصائص المُحوّل (Transformer) لتحقيق استخلاص أفضل للسمات البصرية. ويُركّب هذا الأسلوب الجديد بين نهج مبني على الخطوط المُرسومة، وشبكة تقسيم، ووحدة تضمين الفئة، لإنتاج أقنعة تقسيم دقيقة. وقد قُمنا بتقييم "ScribbleVC" على ثلاث مجموعات بيانات معيارية، وقورنَت نتائجه مع أحدث الطرق المُطورة. وأظهرت النتائج التجريبية أن طريقةً جديدة تفوق الطرق الحالية من حيث الدقة، والثبات، والكفاءة. كما تم إصدار البيانات والكود على منصة GitHub.