U-Net hat in vielen medizinischen Bildsegmentierungsproblemen Spitzenleistungen erzielt. Viele Modifikationen von U-Net wurden vorgeschlagen, wie zum Beispiel Attention U-Net, rekurrentes residuelles Faltungs-U-Net (R2-UNet) und U-Net mit Residualblöcken oder Blöcken mit dichten Verbindungen. Allerdings haben alle diese Modifikationen eine Encoder-Decoder-Struktur mit Skipverbindungen, wobei die Anzahl der Informationsflusspfade begrenzt ist. In dieser Arbeit schlagen wir LadderNet vor, das als eine Kette mehrerer U-Nets betrachtet werden kann. Im Gegensatz zu dem einzigen Paar aus Encoder-Zweig und Decoder-Zweig in U-Net verfügt ein LadderNet über mehrere Paare von Encoder-Decoder-Zweigen und Skipverbindungen zwischen jedem Paar benachbarter Decoder-Zweige auf jeder Ebene. Inspiriert durch den Erfolg von ResNet und R2-UNet verwenden wir modifizierte Residualblöcke, bei denen zwei Faltungsschichten in einem Block die gleichen Gewichte teilen. Aufgrund der Skipverbindungen und Residualblöcke hat ein LadderNet mehr Pfade für den Informationsfluss und kann als Ensemble vollständig faltungsbasierter Netze (Fully Convolutional Networks, FCN) angesehen werden. Die Äquivalenz zu einem Ensemble von FCNs verbessert die Segmentierungsgenauigkeit, während die geteilten Gewichte innerhalb jedes Residualblocks die Anzahl der Parameter reduzieren. Semantische Segmentierung ist essentiell für die Erkennung von Netzhautkrankheiten. Wir testeten LadderNet auf zwei Benchmark-Datensätzen zur Blutgefäßsegmentierung in Netzhautbildern und erzielten bessere Leistungen als Methoden aus der Literatur. Die Implementierung ist unter \url{https://github.com/juntang-zhuang/LadderNet} verfügbar.