في سياق تحسين رعاية المرضى، تمثل الأوعية الدموية الكبدية ذات أهمية بالغة للكثير من الأطباء. إذ يساعد استخراج هذه الأوعية من الصور التشخيصية في تحديد القطاعات الوظيفية المستقلة في الكبد. وفي هذا الإطار، تكمن الحاجة إلى تقنيات آلية دقيقة لاستخراج هذه الأوعية.

على الرغم من التقدم الكبير الحاصل في تقنيات segmentation الدلالية (semantic segmentation)، إلا أن التحدي الحقيقي يكمن في الحفاظ على تعقيد الهندسة المتعددة المقاييس للأوعية الدموية الرئيسية وأفرعها. ولتجاوز هذه المشكلة، يقدم الباحثون نهجاً جديداً يعتمد على التعلم العميق (Deep Learning) والذي يركز على تمثيلات البيانات الناتجة عن المقاييس المختلفة لشجرة الأوعية الدموية.

تتضمن هذه التقنية الجديدة طريقة تجميع مبتكرة لتقسيم الشجرة إلى مستويات مختلفة من المقاييس، بدءاً من الأوعية الصغيرة وانتهاءً بالأوعية الكبيرة. وعلاوة على ذلك، تم توسيع نموذج 3D UNet ليشمل التعلم متعدد المهام (Multi-task Learning) من خلال إدخال مهام مساعدة خاصة بكل مقياس وكذلك التعلم التبايني (Contrastive Learning)، مما يعزز القدرة على التفريق بين المقاييس في التمثيل المشترك.

تظهر النتائج الواعدة في كثير من مقاييس التقييم، حيث تم اختبـار هذه الطريقة على مجموعة بيانات 3D-IRCADb العامة، مما يدل على فوائد هذه التقنية في مجال الطب.