نقدم طريقة تعلم متعددة المهام عميقة جديدة لتقسيم الصور الطبية. تتطلب الطرق المتعددة المهام الحالية بيانات التسمية الحقيقية لكل من المهمة الرئيسية والمهمة المساعدة. على العكس من ذلك، نقترح إنشاء التسميات الوهمية للمهمة المساعدة بطريقة غير مراقبة. لإنشاء هذه التسميات الوهمية، نستفيد من ميزة "التدرجات المنظمة للتوزيع" (Histogram of Oriented Gradients - HOGs)، وهي واحدة من أكثر الميزات استخدامًا وقوةً في مجال الكشف. باستخدام بيانات التسمية الحقيقية لأقنعة التقسيم الدلالي للمهمة الرئيسية والتسميات الوهمية للمهمة المساعدة، نتعلم معلمات الشبكة العميقة لتقليل الخسارة لكلتا المهمتين معًا. قدمنا طرقتنا على شبكتين قويتين وشائعتين لتقسيم الصور الدلالي: UNet وU2Net، لتدريبهما في إطار متعدد المهام. للتحقق من فرضيتنا، أجرينا تجارب على مجموعة بيانات تقسيم صور طبية مختلفة. من خلال النتائج الكمية والنوعية الشاملة، نلاحظ أن طرقتنا تحسن الأداء بشكل مستمر مقارنة بالطرائق المكافئة. بالإضافة إلى ذلك، فازت طرقتنا بتحدي FetReg Endovis الفرعي في تقسيم الصور الدلالية الذي تم تنظيمه بالتعاون مع مؤتمر MICCAI 2021.