医療画像セグメンテーションにおけるロバスト性および汎化性能は、訓練データの不足と多様性の限界によってしばしば阻害される。これは、推論時に遭遇する画像の多様性と対照的である。従来のアプローチ（ドメイン特化型の増強、専用アーキテクチャ、カスタマイズされた学習手順など）はこうした課題の緩和に寄与するが、ドメイン知識の可用性と信頼性に依存する。その知識が入手不可能、誤解されている、あるいは不適切に適用された場合には、性能が低下するリスクがある。こうした問題に対応して、本研究では、画像ノイズ除去における画像スタッキング（image stacking）に着想を得た、ドメインに依存しない、追加型（add-on）、データ駆動型の新規戦略を提案する。この手法は「セマンティックスタッキング（semantic stacking）」と命名され、訓練中に従来のセグメンテーション損失を補完するノイズ除去されたセマンティック表現を推定する。本手法はドメイン特化的な仮定を必要としないため、さまざまな画像モダリティ、モデルアーキテクチャ、増強技術に対して広く適用可能である。多数の実験を通じて、本手法が多様な条件下でセグメンテーション性能を向上させることを実証した。コードは https://github.com/ymp5078/Semantic-Stacking で公開されている。