تُعدّ هناك اتفاقية واسعة النطاق على أن تدريب الشبكات العميقة الناجح يتطلب آلاف العينات التدريبية المُعلّمة. في هذه الورقة، نقدّم شبكة واستراتيجية تدريب تعتمد بشكل قوي على تقنية تضخيم البيانات (data augmentation) لاستخدام العينات المُعلّمة المتاحة بكفاءة أكبر. تتكون البنية المعمارية من مسار انكماشي لالتقاط السياق، ومسار توسيعي متماثل يُمكّن من التموضع الدقيق. نُظهر أن مثل هذه الشبكة يمكن تدريبها بشكل مباشر من نهاية إلى نهاية (end-to-end) باستخدام عدد قليل جدًا من الصور، وأنها تتفوّق على أفضل طريقة سابقة (شبكة تلافيفية بـ "نافذة متحركة" – sliding-window convolutional network) في تحدي ISBI الخاص بتقسيم الهياكل العصبية في مجموعات الصور الميكروسكوبية الإلكترونية. وباستخدام نفس الشبكة التي تم تدريبها على صور ميكروسكوبية بالضوء المنقول (باستخدام التباين الطوري والتصوير بالتمايز التبايني – DIC)، نجحنا في الفوز بتحدي تتبع الخلايا في ISBI 2015 ضمن هذه الفئات بفارق كبير. علاوة على ذلك، فإن الشبكة سريعة جدًا: حيث تستغرق عملية التقسيم لصورة بحجم 512×512 أقل من ثانية واحدة على وحدة معالجة رسومية حديثة (GPU). وتم إتاحة التنفيذ الكامل (المبني على Caffe) والشبكات المدربة عبر الرابط التالي:http://lmb.informatik.uni-freiburg.de/people/ronneber/u-net