لا تزال عملية تقسيم الصور بناءً على البنية التشريحية تمثل تحديًا كبيرًا في مجال الطب، إذ تواجه المشكلات مثل انخفاض التباين والحدود الغامضة وعيوب معينة مرتبطة بالأنماط. لكن، مع تطور الذكاء الاصطناعي، ظهر مفهوم التقسيم التفاعلي كاستراتيجية واعدة لتحسين استخراج الميزات وتعزيز تحديد المواقع، خاصةً في المناطق ذات الهياكل غير الواضحة.

ومع ذلك، كانت الأساليب المتاحة سابقًا تدمج التعليمات في مراحل متأخرة، مما أدى إلى افتقارها لآليات واضحة لتحفيز تعديل القنوات بناءً على التعليمات عبر تمثيلات الميزات الهرمية. هنا يأتي دور آلية Prompt-Conditioned Channel Attention (PCCA)، التي تمثل إبداعًا فريدًا في كيفية دمج التعليمات الدلالية عبر الشبكات العصبية من نوع الشبكة المرمزة-المفككة.

تسهم PCCA في استخراج أوصاف قنوات مركزة من خلال عمليات التجميع، وتقوم بإسقاطها في مساحة مشتركة، وتدمجها من خلال آلية تحسين بوابة لحساب أوزان انتباه القناة المدفوعة بالتعليمات. هذه الأوزان تعيد ضبط استجابة الميزات عبر مراحل متعددة في الشبكة، مما يسمح بتمثيلات هرمية غنية بدلالات تعليمية.

استنادًا إلى هذه الابتكارات، يتم تقديم نموذج PROMISE-Net، الذي يتم بناءه ضمن نموذجين مختلفين: نموذج التقنيات الالتفافية (PROMISE-CNN) ونموذج المعتمد على المحولات (PROMISE-Txformer). وقد أظهرت النتائج التي تم الحصول عليها من بيانات ISIC-Lesion وKvasir-Polyp وCAMUS-Cardiac وKvasir-Instrument، أن PCCA قد حسنت بالفعل من دقة التقسيم. حيث حقق PROMISE-CNN نسبة IoU أفضل بنسبة 10.4% و8.7% و0.8% و3.4% وفقًا لكل من الأنساق المذكورة مقارنة بنموذج U-Net، بينما سجل PROMISE-Txformer تحسينات قدرها 7.6% و23.0% و2.1% و1.1% على التوالي مقارنة بنموذج UNETR.

هذه النتائج تدل على تحسينات متسقة عبر النماذج المعمارية المختلفة، والأنماط التصويرية، والأهداف التشريحية، مما يرسخ مكانة PCCA وPROMISE-Net كإطار عمل قابل للتوسع والشمولية في تعديل الميزات الهرمية المعتمدة على التعليمات في تقسيم الصور الطبية.