半教師あり医療画像セグメンテーションにおいて、ラベル付きデータとラベルなしデータの分布間に経験則的な不一致が存在する。ラベル付きデータとラベルなしデータを別々に処理する、あるいは一貫性のない方法で扱う場合、ラベル付きデータから学習した知識の多くが無視されてしまう可能性がある。本研究では、単純なMean Teacherアーキテクチャの枠組み内で、ラベル付きデータとラベルなしデータを双方向にコピー・ペーストする直感的な手法を提案する。この手法により、ラベルなしデータがラベル付きデータから内外両方向にわたって包括的な共通的な意味情報を学習するよう促進される。さらに重要な点として、ラベル付きデータとラベルなしデータに対して一貫した学習プロセスを導入することで、経験則的な分布ギャップを大幅に低減できる。具体的には、ラベル付き画像（前景）からランダムに切り取った領域をラベルなし画像（背景）に貼り付け、逆にラベルなし画像（前景）をラベル付き画像（背景）に貼り付けるという二つの混合画像を生成し、それらをStudentネットワークに入力し、偽ラベルと真値ラベルの混合教師信号によって監督する。本研究では、ラベル付きデータとラベルなしデータ間の双方向コピー・ペーストという単純なメカニズムが十分に有効であることを示しており、さまざまな半教師あり医療画像セグメンテーションデータセットにおいて、既存の最先端手法と比較して顕著な性能向上（例えば、ACDCデータセットにおいてラベル付きデータが5%の場合、Diceスコアで21%以上の向上）を達成している。実装コードは以下のURLで公開されている：https://github.com/DeepMed-Lab-ECNU/BCP。