血管分画は疾患の診断および手術計画において極めて重要である。近年、深層学習に基づく血管分画手法は優れた性能を達成している。しかし、従来のU字型分画ネットワークでは、低コントラストで細い血管が空間情報を容易に失うため、依然として高い課題が残っている。この問題を軽減するために、本研究では、マルチスケール畳み込み相互作用機構を用いて水平および垂直方向に拡張しつつ、画像のフル解像度を保持する新たなシンプルなフル解像度ネットワーク（FR-UNet）を提案する。FR-UNetでは、特徴量集約モジュールが隣接する段階からのマルチスケール特徴マップを統合し、高レベルの文脈情報を補完する。また、修正されたリジッドブロックにより、マルチスケール表現を継続的に学習し、ピクセル単位の精度の高い予測マップを取得する。さらに、弱い血管ピクセルを抽出して血管の連結性を向上させるため、二重閾値反復アルゴリズム（DTI）を提案する。評価は網膜血管データセット（DRIVE、CHASE_DB1、STARE）および冠動脈造影データセット（DCA1、CHUAC）を用いて実施した。その結果、FR-UNetは上記データセットの多くにおいて、最先端手法を上回る高い感度（Sen）、AUC、F1スコアおよびIOUを達成し、パラメータ数も少ないことが示された。また、DTIにより血管の連結性が向上し、感度が著しく改善された。