医療画像の正確かつ信頼性の高いセグメンテーションは、疾患の診断および治療において極めて重要である。しかし、対象となる物体のサイズや形状、スキャンモダリティの多様性が大きいため、このタスクは非常に困難である。近年、多数の畳み込みニューラルネットワーク（CNN）がセグメンテーションタスク向けに設計され、顕著な成果を上げている。しかし、物体のサイズを十分に考慮した研究はまだ少ないため、多くのモデルは小物体のセグメンテーションにおいて劣った性能を示している。これは疾患の早期発見に重大な影響を及ぼす可能性がある。本研究では、近年の最先端モデルと比較して小物体のセグメンテーション性能を向上させるため、コンテキスト軸方向リザーブアテンションネットワーク（CaraNet）を提案する。我々は、脳腫瘍（BraTS 2018）およびポリープ（Kvasir-SEG、CVC-ColonDB、CVC-ClinicDB、CVC-300、ETIS-LaribPolypDB）のセグメンテーションデータセットを用いてCaraNetの有効性を検証した。その結果、CaraNetは平均Dice係数においてトップランクの性能を達成し、特に小規模な医療画像オブジェクトのセグメンテーションにおいて顕著な優位性を示した。