ライブセル顕微鏡画像シーケンスは複雑な空間構造と時間的な行動を示しており、その解析は困難な課題となっています。特に細胞セグメンテーション問題において、この課題の空間的特性は畳み込みニューラルネットワーク（CNN）を使用して捉えることができます。最近の手法では、U-Netなどの畳み込みエンコーダー-デコーダーを使用することで有望なセグメンテーション結果が得られています。しかし、これらの方法には時間情報を組み込むことができないという制限があり、これが個々に接触している細胞や部分的に可視な細胞のセグメンテーションを難しくしています。そこで、細胞の動態を活用するために、我々はC-LSTM（Convolutional Long Short-Term Memory）とU-Netを統合した新しいセグメンテーションアーキテクチャを提案します。このネットワークの一意性のあるアーキテクチャにより、C-LSTMのメモリユニットで多尺度かつコンパクトな時空間符号化を捉えることが可能となります。本手法はCell Tracking Challengeで評価され、最先端の結果（Fluo-N2DH-SIM+データセットでは1位、DIC-C2DL-HeLaデータセットでは2位）を達成しました。コードは以下から自由に入手できます: https://github.com/arbellea/LSTM-UNet.git