La robustesse et la généralisation en segmentation d’images médicales sont souvent entravées par la rareté et la faible diversité des données d’entraînement, ce qui contraste avec la variabilité observée lors de l’inférence. Bien que des stratégies classiques — telles que l’augmentation spécifique au domaine, les architectures spécialisées ou les procédures d’entraînement personnalisées — puissent atténuer ces problèmes, elles reposent sur la disponibilité et la fiabilité des connaissances spécifiques au domaine. Lorsque ces connaissances sont absentes, trompeuses ou mal appliquées, les performances peuvent décliner. En réponse, nous proposons une nouvelle stratégie, dite « stacking sémantique », qui est agnostique au domaine, ajoutée de manière modulaire et fondée sur les données, inspirée du stacking d’images utilisé en débruitage d’images. Cette méthode estime une représentation sémantique débruitée, complémentaire à la perte de segmentation conventionnelle pendant l’entraînement. Contrairement aux approches existantes, elle ne repose pas sur des hypothèses spécifiques au domaine, ce qui lui confère une large applicabilité à travers diverses modalités d’images, architectures de modèles et techniques d’augmentation. À travers des expérimentations étendues, nous démontrons l’efficacité de notre méthode à améliorer les performances de segmentation dans des conditions variées. Le code est disponible à l’adresse suivante : https://github.com/ymp5078/Semantic-Stacking.