私たちは医療画像セグメンテーションのための新しい深層マルチタスク学習手法を提案します。既存のマルチタスク手法は、主タスクと補助タスクの両方に対して真値アノテーションを必要とします。これに対し、私たちは補助タスクの疑似ラベルを非監督的な方法で生成することを提案します。疑似ラベルの生成には、検出のために最も広く使用され、強力な手作り特徴量の一つである指向勾配ヒストグラム（Histogram of Oriented Gradients, HOGs）を利用します。主タスクの真値意味セグメンテーションマスクと補助タスクの疑似ラベルを用いて、深層ネットワークのパラメータを主タスクと補助タスクの損失を同時に最小化するように学習させます。私たちが提唱する手法は、UNetおよびU2Netという二つの強力で広く使用されている意味セグメンテーションネットワークを使用して、マルチタスク設定での訓練を行いました。我々の仮説を検証するために、異なる二つの医療画像セグメンテーションデータセットで実験を行いました。広範な定量的および定性的結果から、私たちの手法が対応する手法よりも一貫して性能が向上していることが確認されました。さらに、私たちの手法はMICCAI 2021において共同開催されたFetReg Endovisサブチャレンジで優勝しました。この翻訳では、専門用語や技術的概念について一般的な日本語表現を使用し、文章構造も日本語読者にとって自然に理解できるよう調整しています。また、形式的かつ客観的な書き方で表現しており、口語的な表現は避けています。原文との内容の一貫性も保たれています。