深層学習を用いた消化管内視鏡検査は、臨床パフォーマンスの向上に貢献し、病変のより正確な評価を支援することができます。この目的のために、自動的なリアルタイムの領域分割を行うセマンティックセグメンテーション手法、例えばがんや前癌病変の境界特定などが、診断と治療介入の両方に利益をもたらす可能性があります。しかし、内視鏡画像の正確かつリアルタイムなセグメンテーションは、その高い操作者依存性と高解像度画像品質により非常に困難です。臨床現場で自動化された手法を利用するために、低遅延を持つ軽量モデルを設計することが重要であり、これにより低性能の内視鏡ハードウェアデバイスとの統合が可能となります。本研究では、ビデオカプセル内視鏡検査および大腸内視鏡検査画像のセグメンテーションに向けた新しいアーキテクチャであるNanoNetを提案します。我々が提案するアーキテクチャはリアルタイム性能を実現し、他のより複雑な手法よりも高いセグメンテーション精度を持っています。ポリープを含むビデオカプセル内視鏡検査データセットと標準的大腸内視鏡検査データセット、ならびに内視鏡生検と手術器具を含むデータセットを使用して、我々のアプローチの有効性を評価しました。実験結果は、モデルの複雑さ、速度、モデルパラメータ数、および指標性能間でのトレードオフにおいて我々のアーキテクチャが優れた性能を示していることを示しています。さらに、得られたモデルサイズは非常に小さく、伝統的な深層学習アプローチが数百万以上のパラメータを持つ一方で約36,000パラメータしかありません。