تعتبر عملية تقسيم الصور الطبية (Medical Image Segmentation) من المراحل الحيوية في التطبيقات السريرية، ولكنها غالبًا ما تواجه عوائق نتيجة للتسميات المشوشة والحدود التشريحية الغامضة. هذه التحديات تقيّد قدرة استخدام هذه التقنيات في الحقيقة الواقعية. تُظهر الأساليب الحالية عادةً ميلًا لتبني تقنيات التعلم من التسميات المشوشة (Noisy Label Learning) التي تم تصميمها لتصنيف الحالات، مما يتجاهل عدم التجانس على مستوى البكسل في عملية تقسيم الصور الطبية التي تعتمد على صعوبات مختلفة بين المناطق.

لذلك، فإن الافتراضات العالمية أو مقاييس الثقة البسيطة لا تستطيع معالجة هذه الاختلافات المحلية، مما يترك العديد من غموض الحدود دون حل. وللتصدي لهذه التحديات، تم اقتراح إطار عمل مبتكر يسمى MetaDCSeg.

يتميز هذا النموذج بقدرته على تعلم أوزان مثلى على مستوى البكسل (Pixel-wise weights)، مما يساعد في تقليل تأثير التسميات المشوشة بينما يحافظ في الوقت ذاته على التسميات الموثوقة. يستند نموذجنا على آلية تُسمى مسافة المركز الديناميكية (Dynamic Center Distance - DCD)، التي تساعد في نمذجة عدم اليقين عند الحدود بشكل صريح.

تستفيد هذه الطريقة من المسافات الموزونة للميزات بين مناطق المقدمة والخلفية ومراكز الحدود، مما يوجه انتباه النموذج نحو البكسلات الصعبة في التحديد القريبة من الحدود الغامضة. هذه الاستراتيجية تسمح بالتعامل بشكل أكثر دقة مع الحدود الهيكلية، والتي تُغفلها الأساليب الحالية، مما يرفع من الأداء بشكل كبير.

تمت دراسة نتائج متعددة في اختبارات واسعة عبر أربعة مجموعات بيانات تجريبية تمتاز بمستويات فوضى متباينة، وأظهرت MetaDCSeg تفوقًا ملحوظًا على الأساليب المتطورة الحالية.