本論文では、医療画像セグメンテーション用の新しい、より強力なアーキテクチャであるUNet++を提案します。当社のアーキテクチャは、エンコーダとデコーダのサブネットワークがネストされた稠密なスキップパスウェイによって接続された深層監督型エンコーダ-デコーダネットワークです。再設計されたスキップパスウェイは、エンコーダとデコーダのサブネットワーク間の特徴マップの意味的ギャップを縮小することを目指しています。私たちは、デコーダとエンコーダネットワークからの特徴マップが意味的に類似している場合、最適化器がより簡単な学習タスクに対処できると考えています。私たちはUNet++をU-Netおよび広域U-Netアーキテクチャと比較して、複数の医療画像セグメンテーションタスクで評価しました：胸部低線量CTスキャンでの結節セグメンテーション、顕微鏡画像での核セグメンテーション、腹部CTスキャンでの肝臓セグメンテーション、ならびに大腸内視鏡動画でのポリープセグメンテーションです。実験結果は、深層監督を使用したUNet++がU-Netに対して平均3.9ポイント、広域U-Netに対して平均3.4ポイントのIoU（Intersection over Union）向上を達成していることを示しています。