تُقدّم هذه الدراسة إطارًا جديدًا للتصنيف يُدعى EffiSegNet، الذي يستخدم التعلم الناقل مع تصنيف نموذج شبكة عصبية تلافيفية (CNN) مُدرّب مسبقًا كهيكل أساسي. وتفتقر هذه البنية إلى الهيكل التقليدي المتماثل على شكل حرف U، حيث تم تبسيط وحدة التفكيك واستُخدم دمج الميزات على المستوى الكامل لتقليل التكلفة الحسابية وعدد المعاملات. تم تقييم النموذج لدينا في مهمة تصنيف الأورام المعوية باستخدام مجموعة بيانات Kvasir-SEG المتوفرة للجمهور، وحقق نتائج من الدرجة الأولى في المجال. وبشكل خاص، حقق نموذج EffiSegNet-B4 أعلى درجات مُبلغ عنها في الأدبيات حتى الآن على هذه المجموعة، حيث بلغت درجة F1 0.9552، ودرجة دايس المتوسطة (mDice) 0.9483، ودرجة التقاطع على التداخل المتوسطة (mIoU) 0.9056، ودقة التصنيف (Precision) 0.9679، ودقة الاسترجاع (Recall) 0.9429، وذلك باستخدام هيكل أساسي مُدرّب مسبقًا. كما أظهرت نتائج التدريب من الصفر أداءً متميزًا مقارنة بالدراسات السابقة، حيث حقق درجة F1 0.9286، وmDice 0.9207، وmIoU 0.8668، وPrecision 0.9311، وRecall 0.9262. تُبرز هذه النتائج أهمية تصميم مُشفر (encoder) جيد في شبكات تصنيف الصور، وفعالية نماذج التعلم الناقل.