Dans cet article, nous présentons UNet++, une nouvelle architecture plus puissante pour la segmentation d'images médicales. Notre architecture est fondamentalement un réseau encodeur-décodeur profondément supervisé, où les sous-réseaux encodeur et décodeur sont connectés par une série de chemins de saut emboîtés et denses. Les chemins de saut redessinés visent à réduire l'écart sémantique entre les cartes de caractéristiques des sous-réseaux encodeur et décodeur. Nous soutenons que l'optimiseur serait confronté à une tâche d'apprentissage plus facile lorsque les cartes de caractéristiques issues des réseaux encodeur et décodeur sont sémantiquement similaires. Nous avons évalué UNet++ en comparaison avec les architectures U-Net et U-Net large sur plusieurs tâches de segmentation d'images médicales : segmentation des nodules dans les scanners thoraciques à faible dose, segmentation des noyaux dans les images microscopiques, segmentation du foie dans les scanners abdominaux, et segmentation des polypes dans les vidéos de coloscopie. Nos expériences montrent que UNet++ avec supervision profonde réalise un gain moyen de 3,9 et 3,4 points en termes d'IoU (Intersection over Union) par rapport à U-Net et U-Net large, respectivement.