物体セグメンテーションと構造の局所化は、顕微鏡画像の自動画像解析パイプラインにおいて重要なステップです。本稿では、顕微鏡画像中の物体セグメンテーションに用いる畳み込みニューラルネットワーク（CNN）に基づく深層学習アーキテクチャを提案します。提案されたネットワークは、入力パラメータをわずかに調整することで、蛍光顕微鏡画像や組織学的画像における細胞、核、および腺のセグメンテーションに使用できます。このネットワークは入力画像の複数解像度で学習し、中間層を接続してより良い局所化とコンテキストを実現し、多解像度デコンボリューションフィルターを使用して出力を生成します。最大プーリング操作をバイパスする追加の畳み込み層により、ネットワークは変動する入力強度や物体サイズに対して学習でき、ノイジーなデータに対する堅牢性が向上します。私たちは公開されているデータセットでの結果を比較し、提案したネットワークが最近の深層学習アルゴリズムよりも優れていることを示しました。