In letzter Zeit hat sich ein wachsendes Interesse an semantischer Segmentierung basierend auf Deep Learning gezeigt. UNet, eine der tiefen neuronalen Netzwerke mit einer Encoder-Decoder-Architektur, wird weithin in der medizinischen Bildsegmentierung eingesetzt. Die Kombination von Multi-Skala-Features ist einer der entscheidenden Faktoren für eine präzise Segmentierung. UNet++ wurde als eine modifizierte Version von UNet entwickelt, indem eine Architektur mit geschachtelten und dichten Skip-Verbindungen entworfen wurde. Dennoch wird ausreichend Informationen aus allen Skalen nicht vollständig ausgeschöpft, und es besteht weiterhin erheblicher Verbesserungsbedarf. In diesem Artikel stellen wir ein neuartiges UNet 3+ vor, das von vollständigen Skalen-Skip-Verbindungen und tiefen Supervisions profitiert. Die vollständigen Skalen-Skip-Verbindungen integrieren niedrigstufige Details mit hochstufigen Semantiken aus Merkmalskarten unterschiedlicher Skalen; während die tiefe Supervision hierarchische Darstellungen aus den aggregierten Merkmalskarten über alle Skalen lernt. Die vorgeschlagene Methode ist besonders vorteilhaft für Organe, die in unterschiedlichen Skalen auftreten. Neben der Verbesserung der Genauigkeit kann das vorgeschlagene UNet 3+ zudem die Anzahl der Netzwerkparameter reduzieren und somit die Berechnungseffizienz steigern. Darüber hinaus schlagen wir eine hybride Verlustfunktion vor und entwickeln ein klassifikationsgeleitetes Modul, um die Organ-Grenzen zu verbessern und die Übersegmentierung in nicht-organischen Bildbereichen zu verringern, was zu genaueren Segmentierungsergebnissen führt. Die Wirksamkeit des vorgeschlagenen Ansatzes wird an zwei Datensätzen nachgewiesen. Der Quellcode ist unter github.com/ZJUGiveLab/UNet-Version verfügbar.