يقدم U-Net أداءً متميزًا في العديد من مشاكل تقسيم الصور الطبية. تم اقتراح العديد من التعديلات على U-Net، مثل U-Net مع الانتباه (Attention U-Net)، وU-Net التكراري المتبقي بالتشابك (R2-UNet)، وU-Net مع كتل متبقة أو كتل ذات اتصالات كثيفة. ومع ذلك، فإن جميع هذه التعديلات تمتلك هيكل مُشفر-مُفكِّر (Encoder-Decoder) مع اتصالات قفزية (Skip Connections)، والمسارات المتاحة لتدفق المعلومات محدودة. في هذا البحث، نقترح LadderNet، والذي يمكن اعتباره سلسلة من عدة U-Nets متعددة. بدلاً من وجود زوج واحد فقط من الفروع المشفرة والمفكِّرة في U-Net، يحتوي LadderNet على عدة أزواج من فروع المشفر والمفكِّر، ولديه اتصالات قفزية بين كل زوج من الفروع المفكِّرة المجاورة في كل مستوى.مستوحىً من نجاح ResNet و R2-UNet، نستخدم كتلًا متبقة معدلة حيث تشترك طبقتان تشبيكيتان في الكتلة الواحدة بنفس الأوزان. يوفر LadderNet المزيد من المسارات لتدفق المعلومات بفضل الاتصالات القفزية والكتل المتبقة، ويمكن اعتباره مجموعة من الشبكات التحويلية بالكامل (FCN). يحسن التكافؤ مع مجموعة FCNs دقة التقسيم، بينما تقلل الأوزان المشتركة داخل كل كتلة متبقة من عدد المعالم. يعتبر التقسيم الدلالي أساسيًا لاكتشاف أمراض الشبكية. قمنا باختبار LadderNet على مجموعتين قياسيتين للبيانات لتقسيم الأوعية الدموية في صور الشبكية، وحققنا أداءً أفضل مما هو موجود في الأدبيات العلمية.توفر التنفيذ في: \url{https://github.com/juntang-zhuang/LadderNet}