医学图像分割的鲁棒性与泛化能力常常受到训练数据稀缺性及多样性不足的制约，这与推理阶段所面临的实际变异性形成鲜明对比。尽管传统方法——如特定领域增强、专用网络架构以及定制化训练流程——能够在一定程度上缓解上述问题，但这些方法依赖于领域知识的可用性与可靠性。当领域知识缺失、存在误导性或被误用时，模型性能反而可能下降。针对这一挑战，我们提出一种新颖的、与领域无关的、可附加的、数据驱动的策略，其灵感源自图像去噪中的图像堆叠（image stacking）技术。该方法被称为“语义堆叠”（semantic stacking），在训练过程中通过估计一个去噪后的语义表征，以补充传统的分割损失。该方法不依赖于特定领域的假设，因此在多种图像模态、模型架构及数据增强技术下均具有广泛的适用性。通过大量实验验证，我们证明了该方法在不同条件下的分割性能均显著优于现有方法。相关代码已开源，地址为：https://github.com/ymp5078/Semantic-Stacking。