تلعب التجزئة الفعالة للبوليبيات في مجال الرعاية الصحية دورًا حاسمًا في تمكين التشخيص المبكر للسرطان القولوني المستقيم. ومع ذلك، فإن تجزئة البوليبيات تواجه العديد من التحديات، بما في ذلك التوزيع المعقد للخلفية، وتباين أحجام البوليبيات وأشكالها، وضبابية حدودها. ويتسبب صعوبة في تحديد الحدود بين المنطقة الأمامية (أي البوليبيات نفسها) والمنطقة الخلفية (الأنسجة المحيطة بها). ولتقليل هذه التحديات، نقترح شبكة مدعومة باتباع موجهات الحواف متعددة المقاييس (MEGANet)، المصممة خصيصًا لتجزئة البوليبيات في صور المنظار القولوني. تستمد هذه الشبكة إلهامها من دمج تقنية كلاسيكية للكشف عن الحواف مع آلية الانتباه. وباستخدام هذا الدمج، تتمكن MEGANet من الحفاظ بكفاءة على المعلومات ذات التردد العالي، وخاصة الحواف والحدود، التي تميل إلى التلاشي مع تعمق الشبكات العصبية. تم تصميم MEGANet كإطار عمل من النهاية إلى النهاية، يشمل ثلاث وحدات رئيسية: وحدة الترميز (Encoder) المسؤولة عن استخلاص وتلخيص الميزات من الصورة المدخلة، ووحدة التفكيك (Decoder) التي تركز على الميزات البارزة، ووحدة الانتباه الموجهة بالحواف (EGA) التي تستخدم مشغل لابلاس لتعزيز حدود البوليبيات. أظهرت التجارب الواسعة، سواء من الناحية الكمية أو النوعية، على خمسة مجموعات بيانات معيارية، أن MEGANet تتفوق على الطرق الحالية من نوع الحد الأقصى (SOTA) من حيث ست معايير تقييم. يمكن الوصول إلى الشفرة المصدرية الخاصة بنا عبر الرابط: https://github.com/UARK-AICV/MEGANet.