目的。自動的な医療画像セグメンテーションは、画像内の対象組織領域を背景組織から正確に分離する上で不可欠であり、精密な診断および治療プロセスの実現に寄与する。近年、公開された臨床データセットの増加に伴い、ディープラーニングに基づく医療画像セグメンテーション手法が急速に発展したが、多様な画像モダリティにわたって汎用的かつ高精度、高耐性、信頼性の高いアプローチの確立は依然として課題である。手法。本論文では、多様な画像モダリティからの医療画像を自動的にセグメント化するための、新規の高解像度並列生成的対抗ネットワーク（pGAN）を基盤とする汎用的なディープラーニング手法を提案する。本手法は、エンコーダー部に部分的ハイブリッド転移学習および離散ウェーブレット変換（DWT）を用いたマルチレイヤー・マルチ解像度特徴融合を導入し、マルチ解像度U-NetベースのGANのデコーダー部にデュアルモード注目ゲートを組み込むことで、優れた性能と汎化能力を実現している。さらに、pGANにおける協調学習を促進するための独自の逆数損失（reciprocal loss）を含む多目的対抗学習損失関数を採用することで、セグメンテーションマップの耐性および精度がさらに向上している。主な成果。PhysioNet ICH、BUSI、CVC-ClinicDB、MoNuSeg、GLAS、ISIC-2018、DRIVE、Montgomery、PROMISE12の9つの多様な公開医療画像セグメンテーションデータセットを用いた実験評価において、本手法が優れた性能を示した。各データセットにおける平均F1スコアは、それぞれ79.53%、88.68%、82.50%、93.25%、90.40%、94.19%、81.65%、98.48%、90.79%を達成し、既存の最先端手法を上回っている。また、本手法は多領域セグメンテーションにおいても高いロバスト性を示し、一貫性と信頼性のある性能を維持している。特に、微小な構造を正確に識別する能力を評価した結果、高解像度汎用医療画像セグメンテーションネットワーク（Hi-gMISnet）は、対象領域が極めて小さい場合でもより正確なセグメンテーションを実現していることが明らかになった。意義。本手法は医療画像に対して堅牢かつ信頼性の高いセグメンテーション性能を発揮するため、臨床現場における患者診断への応用が期待される。