يعاني تقسيم الأعضاء المتعددة في الصور الطبية من تحديات عدة، أبرزها استخدام مجموعات بيانات مع التعليقات الجزئية والتحولات الدومينية عبر مصادر التصوير المختلفة. وللتغلب على هذه القيود، بادر الباحثون بتقديم إطار عمل تعليمي من مرحلتين يتيح الاستفادة الفعّالة من الإشراف الجزئي.

في المرحلة الأولى، يتعلم النموذج من التعليقات المتاحة لتحسين دقة تقسيم الأعضاء المحددة، مما يساهم في إنشاء تمثيلات ميزات قوية. بينما في المرحلة الثانية، يتم إدخال نماذج للأعضاء القابلة للتعلم وخسارة ثلاثية من نوع Sinkhorn لتعزيز التناسق في الميزات للأعضاء عبر مجموعات البيانات.

يهدف هذا النموذج إلى تقريب التضمينات الكامنة لنفس العضو بينما يزيد من الفصل بين الأعضاء المختلفة، حتى في حال نقص التعليقات. وتوصلت هذه الطريقة إلى أداء يقارب أفضل الأساليب الحالية مع الحفاظ على كفاءة حسابية عالية، مما يجعلها مثالية لمهام تقسيم الصور الطبية ذات الموارد المحدودة من التعليقات.

باستخدام هذا الإطار، يتم التوجه نحو محاذاة توزيع الميزات بدلاً من الاعتماد فقط على التسميات الزائفة، مما يسهم بشكل فعال في التخفيف من التحول الدومي، ويعد ذلك إنجازاً مهماً في مجال تقسيم الصور الطبية.