U-Net은 많은 의료 이미지 분할 문제에서 최고 수준의 성능을 제공해 왔습니다. U-Net에 대한 여러 수정안이 제안되었는데, 이에는 Attention U-Net, 반복 잔차 합성곱 U-Net (R2-UNet), 잔차 블록 또는 밀집 연결 블록을 사용한 U-Net 등이 포함됩니다. 그러나 이러한 모든 수정안은 스킵 연결을 가진 인코더-디코더 구조를 가지고 있으며, 정보 흐름 경로의 수가 제한적입니다. 본 논문에서는 이러한 구조를 여러 개의 U-Net 체인으로 볼 수 있는 LadderNet을 제안합니다. U-Net과 달리 LadderNet은 여러 쌍의 인코더-디코더 분지를 가지며, 각 단계에서 인접한 디코더 분지 쌍 간에 스킵 연결이 존재합니다. ResNet과 R2-UNet의 성공에서 영감을 받아, 한 블록 내의 두 합성곱 계층이 동일한 가중치를 공유하는 수정된 잔차 블록을 사용합니다. 스킵 연결과 잔차 블록 덕분에 LadderNet은 더 많은 정보 흐름 경로를 가지며, Fully Convolutional Networks (FCN) 앙상블로 볼 수 있습니다. FCN 앙상블과의 동등성이 분할 정확도를 향상시키는 반면, 각 잔차 블록 내에서 공유되는 가중치는 매개변수 수를 줄입니다. 망막 질환 검출을 위한 의미론적 분할은 필수적입니다. 우리는 망막 이미지에서 혈관 분할을 위한 두 벤치마크 데이터셋에서 LadderNet을 테스트하였으며, 문헌에 보고된 방법들보다 우수한 성능을 달성하였습니다. 구현 코드는 \url{https://github.com/juntang-zhuang/LadderNet}에서 제공됩니다.