تقدم هذه الورقة أسلوبًا جديدًا لشبكة عصبية متعددة الطبقات مُراقبة، تُسمى "DUCK-Net"، قادرة على تعلم وتمييز الملامح بشكل فعّال من كميات صغيرة من الصور الطبية، مما يمكّنها من أداء مهام التجزئة بدقة عالية. يستخدم نموذجنا بنية مشفرة-فكّر (encoder-decoder) مزودة بآلية تقليل حجم البيانات باستخدام طريقة الاستمرارية (residual downsampling)، ووحدة ت.Convolution مخصصة لالتقاط ومعالجة معلومات الصورة على عدة مقاييس داخل الجزء المشفر. كما نستخدم تقنيات تكبير البيانات (data augmentation) لتعزيز مجموعة التدريب، مما يزيد من أداء النموذج. وعلى الرغم من مرونة هيكلنا وقابلية تطبيقه على مهام تجزئة متنوعة، فإننا في هذه الدراسة نُظهر قدراته بشكل خاص على تجزئة الأورام الدودية في صور المنظار القولوني. وقمنا بتقييم أداء طريقة عملنا على عدة مجموعات بيانات معيارية شهيرة لتجزئة الأورام الدودية، وهي Kvasir-SEG و CVC-ClinicDB و CVC-ColonDB و ETIS-LARIBPOLYPDB، حيث أظهرت النتائج تفوقًا حاليًا (state-of-the-art) من حيث معامل دايس المتوسط (mean Dice coefficient)، ومؤشر جاكارد (Jaccard index)، والدقة (Precision)، والاسترجاع (Recall)، والدقة الشاملة (Accuracy). تُظهر طريقتنا قدرات تعميم قوية، حيث حققت أداءً ممتازًا حتى مع كميات محدودة من البيانات التدريبية. يُمكن الوصول إلى الكود المصدر بشكل عام على GitHub عبر الرابط التالي: https://github.com/RazvanDu/DUCK-Net