血管の意味的セグメンテーションは、医療画像解析において重要な課題ですが、大規模な注釈付きデータセットの不足や異なる画像モダリティへのモデルの一般化の悪さが進展を妨げています。特に、畳み込みニューラルネットワーク（CNN）はテクスチャベースの特徴を学習する傾向があり、新しい領域に適用する際に性能が制限されます。本研究では、血管の円筒状や分岐状の幾何学的事前知識を活用することで、より堅牢でデータ効率の良いモデルを実現可能であると仮定しています。これを検証するために、血管の形状バイアスを持つ大規模2D合成データセットを生成するVessShapeという新しい手法を提案します。VessShape画像は、手続き的に生成された円筒ジオメトリと多様な前景・背景テクスチャを組み合わせており、モデルが形状の手がかりを学ぶことを促進します。実験の結果、VessShapeで事前訓練したモデルは、異なる領域の実世界データセットに対して少数ショットセグメンテーション性能を示し、わずか4～10サンプルでファインチューニングが可能であることが確認されました。