本文提出了一种自适应半监督方法，以提高脑血管分割的准确性。通过渐进式半监督学习和边界增强技术，解决了小血管捕捉和模糊标注数据的问题。实验结果表明，该方法在分割性能上优于传统方法，具有临床应用潜力。

该研究提出了一种基于半监督域自适应的脑血管分割方法，通过图像转换和语义分割，实现了高效稳定的模型训练，具有可靠的脑血管图像分割潜力。

本文介绍了一种名为VesselShot的少样本学习方法，用于血管拍片的分割。该方法通过利用少量有注释的辅助图像的知识，解决了脑血管分割中标注数据稀缺和大量标注的问题。使用TubeTK数据集对VesselShot进行评估，平均Dice系数为0.62。