تُعتبر عملية تقسيم الصور الطبية خطوة حاسمة في التطبيقات السريرية مثل تشخيص الأمراض، تخطيط العلاجات، ومراقبة تطور المرض، حيث توفر معلومات دقيقة حول الهياكل التشريحية التي تؤثر بشكل مباشر على قرارات العلاج. ورغم التأثير الكبير للشبكات العصبية الالتفافية (Convolutional Neural Networks) في هذا المجال، إلا أن العمليات الالتفافية تُظهر تحديات فيما يتعلق بالتقاط المعلومات السياقية العالمية والاعتماديات طويلة المدى نظرًا لطبيعتها المحلية.

وهنا يأتي دور شبكة FM-BFF-Net، وهي شبكة مبتكرة تجمع بين قدرات الشبكات العصبية الالتفافية والمعمارية المستندة إلى المحولات (Transformers)، حيث تقدم نموذجًا يمكنه التغلب على تلك التحديات. تعتمد الشبكة على آلية انتباه (Attention Mechanism) تُعرف بالتعديل البؤري (Focal Modulation)، والتي تعزز من الوعي السياقي، فضلاً عن تقديم وحدة دمج ثنائية الاتجاه (Bidirectional Feature Fusion Module) التي تُعزز التفاعل الفعال بين تمثيلات الصعود والنزول عبر المقاييس المختلفة.

من خلال هذا التصميم المتكامل، تُعزز FM-BFF-Net دقة الحدود ومرونتها تجاه التغيرات في حجم الآفات وشكلها وتباينها. أثبتت التجارب المكثفة على ثمانية مجموعات بيانات متاحة للجمهور، مثل اكتشاف زوائد الأنف وتقسيم الآفات الجلدية، أن FM-BFF-Net تتجاوز باستمرار الطرق الحديثة من حيث مؤشر ياقارد (Jaccard Index) ومعامل ديس (Dice Coefficient). لذا، تبرز FM-BFF-Net كخيار فعّال وقابل للتكيف لمجموعة متنوعة من سيناريوهات التصوير الطبي.