في عالم الطب الحديث، تعتبر الصور الطبية أداة حيوية للتشخيص والعلاج، ولكن تواجه العديد من التحديات على مستوى دقة التسميات. حيث يمكن أن تؤدي الاختلافات في التسميات بين المواقع المختلفة إلى نتائج غير دقيقة قد تؤثر سلبًا على قرارات العلاج.

يتميز التعلم الفيدرالي (Federated Learning) بقدرته على تمكين تجزئة الصور الطبية بشكل جماعي دون الحاجة إلى نقل البيانات الحساسة إلى مركز واحد. لكنه يواجه صعوبة كبيرة بسبب الضوضاء التي قد تظهر في تسميات الملفات المستخدمة، مثل الاختلافات في المحيطات، أو وجود هياكل مفقودة أو إضافية، أو تسميات مربكة.

للتغلب على هذه المشكلات، تم تطوير التعلم الفيدرالي للبيانات المزعجة (Federated Noisy Label Learning - FNLL)، لكنه لا يزال قليل الاستخدام في التطبيقات العملية. يعود ذلك في جزء كبير منه إلى استخدام الأدلة الموجودة المستندة أساسًا إلى ضوضاء صناعية أو إعدادات مبسطة، مما يحد من قدرة هذه الأساليب على معالجة المواقف الحقيقية المعقدة.

لذلك، تم تقديم مجموعة مرجعية جديدة تضم بيانات متنوعة من العالم الحقيقي تتميز بالضوضاء في التسميات. تشمل هذه المجموعة مجموعة شاملة من السيناريوهات والنماذج التي تعكس الواقع في فحص الصور الطبية. من خلال هذه المبادرة، يُمكّن الباحثون والممارسون من تقييم فعالية الأساليب المتاحة بشكل أكثر دقة، مما يسهل الاختيار بين الطرق المختلفة المناسبة.

تأتي هذه المجموعة من بيانات تقسيم الصور الطبية المزعجة من مصادر متعددة، وتدمج بين إطار شامل لتجزئة الصور الطبية الفيدرالية، مما يوفر أساسًا واقعيًا لدراسة FNLL وتأسيس قاعدة بيانات متعددة الاستخدامات لتقييم محددات الضوضاء.