我々は、一階のモデルに依存しないメタラーニングアルゴリズム（FOMAMLおよびReptileを含む）を画像セグメンテーションに拡張し、高速な学習を目的として設計された新しいニューラルネットワークアーキテクチャEfficientLabを提案する。さらに、メタラーニングアルゴリズムのテスト誤差を形式的に定義することで、分布外タスクにおける誤差を低減する手法を導入した。EfficientLabをFOMAMLでメタトレーニングし、ベイズ最適化を用いてテスト時適応ルーチンの最適なハイパーパラメータを推定することで、FSS-1000データセットにおいて最先端の性能を達成した。また、メタラーニングシステムの少サンプルおよび多サンプル設定における実証的性能を検証するため、小型のベンチマークデータセットFP-kを構築した。FP-kデータセット上での実験から、標準的な少サンプル画像セグメンテーションにおいてメタラーニングによって得られた初期化は有効であることが示されたが、ラベル付きサンプルが10例を超えると、従来の転移学習による性能とほぼ同等に達し、その後の性能差はほとんど見られなかった。本研究のコード、メタラーニングモデル、およびFP-kデータセットは、https://github.com/ml4ai/mliis にて公開されている。