بقيت هندسة U-Net ومتغيراتها في طليعة التقنيات (SOTA) لتقسيم الأوعية الشبكية على مدى العقد الماضي. في هذه الدراسة، نقدم شبكة موجهة بجميع المقاييس (FSG-Net)، حيث تقوم شبكة تمثيل الميزات التي تحتوي على كتل تجميع حديثة باستخراج المعلومات بجميع المقاييس، بينما تقوم كتلة التجميع الموجهة بتحسين تلك المعلومات. تم تقديم مرشح موجه بالانتباه بناءً على التفسير أن هذا المرشح يتصرف مثل مرشح القناع غير الحاد (unsharp mask filter). يسمح نقل المعلومات بجميع المقاييس إلى كتلة الانتباه بإنشاء خرائط انتباه محسنة، والتي يتم نقلها بعد ذلك إلى مرشح الانتباه الموجه، مما يؤدي إلى تعزيز أداء شبكة التقسيم. يمكن استبدال الهيكل السابق لكتلة التجميع الموجهة بأي متغير من U-Net، مما يعزز قابلية توسع النهج المقترح. للمقارنة العادلة، أعدنا تنفيذ دراسات حديثة متاحة في المستودعات العامة لتقييم قابليتها للتوسع وإعادة الإنتاج. تظهر تجاربنا أيضًا أن الشبكة المقترحة تحقق نتائج تنافسية مقارنة بالأنماط الرائدة حاليًا (SOTA) على مجموعة متنوعة من البيانات العامة. تثبت دراسات الاستبعاد أن النموذج المقترح يكون تنافسيًا مع أحجام معاملات صغيرة بكثير. وأخيرًا، من خلال تطبيق النموذج المقترح على تقسيم التجاعيد الوجهية، أكدنا إمكانية توسعه إلى مهمات مشابهة في مجالات أخرى. رمزنا متاح على https://github.com/ZombaSY/FSG-Net-pytorch.