확산 MRI (dMRI) tractography는 비침습적인 백질 경로(white-matter pathways)의 재구성을 가능하게 하지만, 그 정확도는 축삭 조직(axonal organization)의 간접적이고 저해상도인 측정값에 의해 근본적으로 제한됩니다. 비인간 영장류에서의 Tracer 주입 연구는 dMRI tractography를 검증하기 위한 골드 스탠다드(gold standard)를 제공합니다. 그러나 이는 조직학 섹션에서 섬유 다발(fiber bundles)에 대한 시간이 많이 소요되는 수동 어노테이션(manual annotation)을 필요로 합니다. 우리는 마카크(macaque) tracer 조직학에서 자동화된 섬유 다발 분할을 위한 합성 데이터 증강 프레임워크를 제안합니다. 우리의 접근 방식은 훈련을 위한 2D 이미지 패치(image patches)를 합성하기 위해 ex vivo dMRI tractography를 생성적 사전 정보(generative prior)로 사용합니다. 이를 통해 우리는 충분히 현실적인 전경 질감(foreground texture)을 확보할 수 있으며, 이를 blockface 사진의 배경과 합성하고 도메인 무작위화(domain randomization)를 통해 다양화합니다. 2D U-Net은 실제 패치와 합성 패치가 혼합된 데이터로 훈련됩니다. 홀드아웃(held-out) 뇌를 대상으로 한 실험 결과, 실제 데이터로만 훈련했을 때와 비교하여 뇌 및 섬유 다발 밀도 전반에 걸쳐 향상된 일반화 성능을 입증했습니다. 합성 데이터로만 훈련하는 것은 낮은 성능으로 이어졌으며, 이는 실제 감독(real supervision)의 필요성을 강조합니다. 종합적으로, 우리의 접근 방식은 수동으로 어노테이션된 데이터가 3배 적게 필요하면서도 최첨단(state-of-the-art) 기술과 대등한 성능을 달성합니다.