Robustheit und Verallgemeinerungsfähigkeit bei der medizinischen Bildsegmentierung werden häufig durch die Knappheit und geringe Vielfalt an Trainingsdaten beeinträchtigt, was im Kontrast zur hohen Variabilität steht, die während der Inferenz auftritt. Obwohl herkömmliche Ansätze – wie domain-spezifische Augmentierung, spezialisierte Architekturen und maßgeschneiderte Trainingsverfahren – diese Probleme lindern können, hängen sie von der Verfügbarkeit und Zuverlässigkeit von Domänenwissen ab. Fehlt dieses Wissen, ist es irreführend oder wird es unangemessen angewendet, kann die Leistung abnehmen. Als Gegenmaßnahme stellen wir eine neuartige, domänenunabhängige, als Add-on implementierbare und datengetriebene Strategie vor, die sich an der Bildstapelung im Bereich der Bildentrauschung orientiert. Als „Semantische Stapelung“ (semantic stacking) bezeichnet, schätzt unsere Methode während des Trainings eine entrauschte semantische Darstellung ab, die die herkömmliche Segmentierungsverlustfunktion ergänzt. Da diese Methode keine domänenbezogenen Annahmen erfordert, ist sie breit anwendbar auf verschiedene Bildmodalitäten, Modellarchitekturen und Augmentierungstechniken. Durch umfangreiche Experimente bestätigen wir die Überlegenheit unseres Ansatzes hinsichtlich der Verbesserung der Segmentierungsergebnisse unter vielfältigen Bedingungen. Der Quellcode ist unter https://github.com/ymp5078/Semantic-Stacking verfügbar.