深層ネットワークの成功した学習には、数多くの中規模なアノテーション付き訓練サンプルが必要であるという見解が広く共有されている。本論文では、データ拡張を強力に活用することで、限られたアノテーション付きサンプルをより効率的に利用するネットワーク構造および学習戦略を提案する。本アーキテクチャは、コンテキストを捉える収縮パスと、精密な局所化を可能にする対称的な拡張パスから構成されている。我々は、このようなネットワークが極めて少ない画像からエンドツーエンドで学習可能であり、電子顕微鏡画像スタックにおける神経細胞構造のセグメンテーションを対象としたISBIチャレンジにおいて、従来の最良手法（スライディングウィンドウ型畳み込みネットワーク）を大きく上回ることを示す。また、透過光顕微鏡画像（位相差およびDIC）で学習された同一ネットワークを用いて、2015年のISBI細胞追跡チャレンジにおいて、これらのカテゴリで大幅な優位性を確保した。さらに、本ネットワークは高速である。最新のGPU上で512×512の画像をセグメンテーションする処理時間は1秒未満である。本研究の完全な実装（Caffeベース）および学習済みネットワークは、以下のURLから入手可能である：http://lmb.informatik.uni-freiburg.de/people/ronneber/u-net