医療画像のセグメンテーションは、医療画像解析において重要なステップです。画像処理における畳み込みニューラルネットワークの急速な発展に伴い、深層学習が視神経乳頭のセグメンテーション、血管検出、肺のセグメンテーション、細胞のセグメンテーションなど、医療画像のセグメンテーションに利用されるようになりました。従来では、U-Netを基にした手法が提案されてきました。しかし、連続的なプーリングとストライド畳み込み操作により一部の空間情報が失われる問題がありました。本論文では、より高次の情報を捉えつつ空間情報を保つための2D医療画像セグメンテーション用コンテキストエンコーダネットワーク（以下CE-Netと呼ぶ）を提案します。CE-Netは主に3つの主要な構成要素から成り立っています：特徴エンコーダモジュール、コンテキスト抽出器、および特徴デコーダモジュールです。固定された特徴抽出器として事前学習済みのResNetブロックを使用しています。コンテキスト抽出器モジュールは新規に提案された密集アトラス畳み込み（Dense Atrous Convolution, DAC）ブロックと残差マルチカーネルプーリング（Residual Multi-Kernel Pooling, RMP）ブロックで形成されています。提案したCE-Netを異なる2D医療画像セグメンテーションタスクに適用しました。包括的な結果は、提案手法が視神経乳頭のセグメンテーション、血管検出、肺のセグメンテーション、細胞輪郭のセグメンテーションおよび網膜光学コヒレンストムグラフィー層のセグメンテーションにおいて元々のU-Net手法や他の最先端手法よりも優れていることを示しています。