画像セグメンテーションは多くの医療アプリケーションにおいて重要なタスクです。畳み込みニューラルネットワークを基にした手法は最先端の精度を達成していますが、通常は大量のラベル付きデータセットを使用した教師あり学習に依存しています。医療画像のラベリングには専門的な知識と時間が必要であり、一般的な手動調整によるデータ拡張手法ではそのような画像における複雑な変動を捉えることが困難です。本稿では、ラベル付き医療画像の合成に向けた自動化されたデータ拡張手法を提案します。当手法は磁気共鳴画像（MRI）脳スキャンのセグメンテーションタスクで示しています。当手法には単一のセグメント化されたスキャンのみが必要であり、半教師ありアプローチにより他の未ラベルスキャンも活用します。画像から変換モデルを学習し、このモデルとラベル付きサンプルを使用して追加のラベル付きサンプルを合成します。各変換は空間変形フィールドと強度変化から構成されており、解剖学的な変動や画像取得プロシージャーなどの複雑な効果を合成することが可能となります。新規サンプルを使用して教師ありセグメンターを訓練することで、ワンショットバイオメディカル画像セグメンテーションに関する最先端手法よりも大幅な改善が得られることを示しています。当研究のコードは https://github.com/xamyzhao/brainstorm で公開されています。