医療画像に基づく診断における重要なステップの一つは、画像セグメンテーションである。医療画像セグメンテーションの代表的な応用例として、楕円形に近い形状を持つ単一構造の同定が挙げられる。心臓や腎臓などの大部分の臓器はこのカテゴリに該当し、皮膚病変、ポリープ、およびその他の異常所見も同様である。ニューラルネットワークは医療画像セグメンテーションの性能を著しく向上させたが、依然として大量の学習データと長時間の学習が必要であり、収束までに時間がかかる問題がある。本論文では、単一の概ね楕円形に分布する物体をセグメンテーションするタスクにおいて、ニューラルネットワークの性能とデータ効率を向上させる一般的な手法を提案する。具体的には、元のデータセットを極座標変換（polar transformation）し、変換の極（polar origin）を対象物体の中心点に設定してネットワークを学習させる。これにより次元削減が実現されるとともに、セグメンテーションと位置推定のタスクが分離されるため、ネットワークの収束が容易になる。さらに、最適な極の位置を取得するための2つの異なるアプローチを提案する：（1）非極座標画像上で訓練されたセグメンテーションモデルを用いた推定、および（2）最適な極を予測するためのモデルを別途訓練する手法。本手法は、肝臓、ポリープ、皮膚病変、心外膜脂肪組織のセグメンテーションという4つのタスクにおいて評価された。その結果、病変、肝臓、ポリープのセグメンテーションにおいて最先端の性能を達成し、医療画像セグメンテーションにおける一般的なニューラルネットワークアーキテクチャと比較しても優れた結果を示した。また、前処理手順として用いる場合、本手法は複数のデータセットおよびニューラルネットワークアーキテクチャにおいて一般的にデータ効率の向上をもたらすことが明らかになった。