نقدم استراتيجية تعتمد على التعلم العميق تتيح، لأول مرة، تجزئة دلالية لا تعتمد على التباين للفحوصات الطبية للدماغ باستخدام الرنين المغناطيسي دون أي معالجة مسبقة، دون الحاجة إلى تدريب إضافي أو تعديل دقيق (fine-tuning) عند استخدام أنواع جديدة من التباين. تعتمد الطرق الإحصائية الكلاسيكية على نماذج التباين غير المراقبة لحل مشكلة التجزئة، لكنها تتطلب موارد حسابية كبيرة. على النقيض من ذلك، تتميز الطرق القائمة على التعلم بسرعتها في مرحلة الاختبار، لكنها حساسة جدًا للبيانات المتاحة أثناء التدريب. تُقدّم الطريقة المقترحة، SynthSeg، استخدام مجموعة من التجزئات التدريبية (دون الحاجة إلى صور التباين)، لإنشاء صور تجريبية ذات تباينات متنوعة للغاية بشكل ديناميكي أثناء التدريب. تُولَّد هذه العينات باستخدام النموذج التوليدي للإطار الكلاسيكي للتجزئة الإحصائية، باستخدام معاملات مختارة عشوائيًا لعوامل المظهر، والتشوه، والضوضاء، وحقل التحيز. وبما أن كل دفعة صغيرة (mini-batch) تتميز بتباين تجريبي مختلف، فإن الشبكة النهائية لا تُحَوَّل نحو أي نوع معين من التباين في الرنين المغناطيسي. قمنا بتقييم منهجنا بشكل شمولي على أربع مجموعات بيانات تضم أكثر من 1000 حالة، وبأربعة أنواع من التباين في الرنين المغناطيسي. تُظهر النتائج أن منهجنا يُنَفّذ تجزئة ناجحة لكل أنواع التباين في البيانات، ويُقدّم أداءً أداءً أفضل قليلاً من الطرق الإحصائية الكلاسيكية، وبنفس الوقت يُسرّع الأداء بمقدار ثلاثة أضعاف (أي بسرعة أعلى بثلاثة أضعاف). علاوةً على ذلك، حتى ضمن نفس نوع التباين في الرنين المغناطيسي، يُظهر استراتيجيتنا تعميمًا أقوى بكثير عبر المجموعات مقارنةً بالتدريب باستخدام صور حقيقية. وأخيرًا، نجد أن توليد طيف واسع من التباينات، حتى لو كانت غير واقعية، يُعزز من قدرة الشبكة العصبية على التعميم. تم إتاحة الشفرة البرمجية والنموذج مفتوحين المصدر عبر الرابط التالي: https://github.com/BBillot/SynthSeg.