近年、深層学習を活用した意味的セグメンテーションに対する関心が高まっている。エンコーダ-デコーダ構造を持つ深層学習ネットワークの一つであるUNetは、医療画像のセグメンテーション分野で広く利用されている。正確なセグメンテーションの実現には、マルチスケール特徴の統合が重要な要素の一つである。UNet++は、ネスト型かつ密なスキップ接続を備えたアーキテクチャとして、UNetの改良版として開発された。しかし、全スケールからの十分な情報活用が行われていないという課題があり、さらなる改善の余地が残されている。本論文では、全スケールスキップ接続とディープサブバージョン（deep supervision）を活用する新しいUNet 3+を提案する。全スケールスキップ接続により、異なるスケールの特徴マップから低レベルの詳細情報と高レベルの意味情報を統合する。一方、ディープサブバージョンは、全スケールで集約された特徴マップから階層的な表現を学習する。本手法は、スケールが変動する臓器のセグメンテーションにおいて特に効果を発揮する。精度向上に加え、ネットワークパラメータを削減することで計算効率の向上も実現している。さらに、ハイブリッド損失関数の提案と、分類ガイドモジュールの設計により、臓器の境界の明確化と非臓器領域における過剰セグメンテーションの低減を図り、より正確なセグメンテーション結果を達成した。提案手法の有効性は、2つのデータセットを用いた実験により検証された。コードは以下のURLから公開されている：github.com/ZJUGiveLab/UNet-Version