MAP-SCTNet je efektívna sieť na segmentáciu histopatologických obrazov pri kolorektálnom karcinóme, ktorá vylepšuje architektúru SCTNet tromi inováciami. Prvý modul MS-ASPP používa päť paralelných dilatovaných konvolúcií s dvojitou pozornosťou a hraničným zdokonaľovaním na extrakciu funkcií vo viacerých mierkach pri zachovaní okrajov. Druhý modul AFE-TAM v frekvenčnej doméne spája nízko-, stredno- a vysokofrekvenčné komponenty s Gaborovým filtrovanie a lokálnymi binárnymi vzormi pre robustnú reprezentáciu textúr. Tretí rámec PDTKD využíva učiteľské siete na báze transformátora a CNN v trojstupňovom tréningu na zlepšenie zovšeobecnenia z obmedzených údajov. Experimenty na súbore EBHI-SEG s bioptickými vzorkami z kolonoskopie ukázali priemerný kockov koeficient 83,76 % a IoU 74,5 %, čím prekonala metódy ako TransUNet či SegNet. Model má iba 21,8 milióna parametrov a 30,7 G FLOP, čo je 79,3 % menej parametrov a 71,1 % menej výpočtov oproti TransUNet, vhodné na real-time diagnostiku.