Es besteht weitgehende Übereinstimmung darüber, dass der Erfolg beim Training tiefer Netzwerke viele Tausend annotierte Trainingsbeispiele erfordert. In diesem Artikel stellen wir ein Netzwerk und eine Trainingsstrategie vor, die den starken Einsatz von Datenverstärkung (Data Augmentation) nutzen, um die verfügbaren annotierten Beispiele effizienter zu nutzen. Die Architektur besteht aus einem kontrahierenden Pfad zur Erfassung von Kontextinformationen und einem symmetrischen erweiternden Pfad, der eine präzise Lokalisierung ermöglicht. Wir zeigen, dass ein solches Netzwerk bereits aus sehr wenigen Bildern end-to-end trainiert werden kann und die vorherige beste Methode (ein Schiebefenster-Convolutional-Netzwerk) bei der ISBI-Challenge zur Segmentierung neuronalen Strukturen in elektronenmikroskopischen Stapeln deutlich schlägt. Mit demselben Netzwerk, das auf Bildern aus der Transmissionsoptik (Phasenkontrast und DIC) trainiert wurde, gewannen wir die ISBI Cell Tracking Challenge 2015 in diesen Kategorien mit deutlichem Abstand. Darüber hinaus ist das Netzwerk sehr schnell: Die Segmentierung eines 512×512-Bildes dauert auf einer modernen GPU weniger als eine Sekunde. Die vollständige Implementierung (basierend auf Caffe) sowie die trainierten Netzwerke sind verfügbar unterhttp://lmb.informatik.uni-freiburg.de/people/ronneber/u-net .