تُعَرِّضُ القوة المقاومة والقدرة على التعميم في تقسيم الصور الطبية غالبًا لعوامل تُحدِّ من توافر البيانات التدريبية وتنوعها، وهو ما يتعارض مع التنوع الذي يُواجهه النظام أثناء التقييم. وعلى الرغم من أن الاستراتيجيات التقليدية — مثل التضخيم المخصص للنطاق، والهياكل المعمارية الخاصة، وتقنيات التدريب المُعدَّلة — يمكن أن تخفف من هذه المشكلات، إلا أنها تعتمد على توافر وموثوقية المعرفة الخاصة بالنطاق. وفي حال عدم توفر هذه المعرفة، أو كانت خاطئة، أو تم تطبيقها بشكل غير مناسب، قد يؤدي ذلك إلى تدهور الأداء. وللرد على هذا التحدي، نقدّم استراتيجية جديدة، لا تعتمد على نطاق معين، وقابلة للإضافة، وتعتمد على البيانات، مستوحاة من تقنية تجميع الصور في إزالة الضوضاء من الصور. ونُطلق على هذه الاستراتيجية اسم "التجميع الدلالي" (Semantic Stacking)، حيث تُقدِّم طريقة تقدير تمثيل دلالي معزز من الضوضاء، والذي يُكمِّل خسارة التقسيم التقليدية أثناء التدريب. ولا تعتمد هذه الطريقة على افتراضات محددة بنطاق معين، مما يجعلها قابلة للتطبيق الواسع عبر أنواع مختلفة من وسائط الصور، وهياكل النماذج، وتقنيات التضخيم. وتم التحقق من تفوق هذه الاستراتيجية من خلال تجارب واسعة النطاق، حيث أظهرت تحسينًا في أداء التقسيم تحت ظروف متنوعة. ويمكن الاطلاع على الكود من خلال الرابط: https://github.com/ymp5078/Semantic-Stacking.