従来の少ショットセグメンテーション手法は、サポート-クエリマッチングフレームワークに基づき、著しい進展を遂げている。しかし、少数のサポート画像から得られるクラス内変動のカバレッジが限られているため、依然として大きな課題に直面している。同じ物体に属するピクセルは、同じクラスの異なる物体のピクセルよりも類似性が高いという単純なゲシュタルト原理に着目し、本研究ではこの問題を緩和するための新しいセルフサポートマッチング戦略を提案する。この戦略では、高信頼度のクエリ予測から得られたクエリプロトタイプを用いて、クエリ特徴量をマッチングさせる。これにより、クエリオブジェクトの一貫した潜在的特徴を効果的に捉え、適切なマッチングを実現できる。さらに、適応型セルフサポートバックグラウンドプロトタイプ生成モジュールとセルフサポート損失関数を提案することで、セルフサポートマッチングのプロセスをさらに促進する。本手法により、プロトタイプの品質が大幅に向上し、より強力なバックボーンや多数のサポート画像からの恩恵をより大きく受けることができる。また、複数のデータセットにおいて最先端（SOTA）の性能を達成した。コードは \url{https://github.com/fanq15/SSP} で公開されている。