1.一种基于半监督学习的脑血管图像分割方法，其特征在于，所述方法包括以下步骤：步骤1数据准备，过程如下：

对数据集使用FSL中的BET工具去除颅骨，并且采取零均值化和单位方差对数据进行标准化，所采用的数据集包含两个部分，一部分由经验丰富的脑血管专家手工标注血管区域，另一部分无标注的数据集；

步骤2半监督脑血管分割网络的构建，过程如下：

搭建基于区域连通性模型的半监督学习网络框架，包含教师模型、学生模型以及区域连通性模型，所述教师模型和学生模型均采用U‑Net作为骨干网络，学生模型和教师模型交替更新；在每一步中，学生模型通过最小化已标注数据分割损失和教师模型与学生模型分割一致性损失的加权和来学习教师模型，区域连通性模型用来控制分割损失和一致性损失的权重；

步骤3参数设置，过程如下：

所述步骤2中分割结果的区域连通性差异阈值为T，设置网络学习率为0.01，每1000次迭代除以10；设置batch size为4；输入2个有标注和2个无标注的数据；对教师模型和学生模型的输入添加乘性噪声和加性噪声，并在网络主干处添加两个dropout rate为0.5的Dropout层；

步骤4网络训练，过程如下：

采用学生模型和教师模型交替更新来进行训练，教师模型的参数由学生网络的参数经过指数移动平均值EMA计算得到，同时学生模型根据预测值与真实标签的分割损失采用梯度下降计算得到学生模型的参数；

指数移动平均值EMA的公式如下：

θ′t＝αθ′t‑1+(1‑α)θt (4)

其中，t代表训练步骤，θ′t是当前步骤中教师模型的网络参数，θ′t‑1是上个步骤中教师模型的网络参数，θt是当前步骤中学生模型的网络参数，α代表EMA衰变；

最后生成的训练样本训练该分割网络，然后将待分割MRA影像输入到构建好的网络模型，从而生成对应模态的目标分割脑血管图像；

所述的步骤2中，半监督脑血管分割网络的构建包含以下步骤：

2.1基于区域连通性的网络模块

判断单体素26个相邻点的连通性，以血管体素为种子点根据区域生长法得到不连通区域数，将学生模型与教师模型输出之间的区域连通性的差异定义为DRC，其公式如下：其中R(.)表示获取不连通区域个数的函数，B表示批大小，f(xi；θ)和f(xi；θ′)表示学生和教师模型的输出，θ和θ′表示学生和教师模型的噪声；

2.2混合损失函数的计算

半监督分割网络的总损失函数L定义如下：

L＝LS+ωLC

网络总体损失函数L由两个不同的损失函数项构成，LS代表有监督的损失函数，将交叉熵损失和Dice系数联合作为损失函数；LC代表无监督的一致性损失，采用了均方误差MSE作为损失函数；

定义T为学生网络和教师网络分割结果的区域连通性差异阈值，并采取如下方式计算权重ω：其中，W定义如下：

如果教师模型和学生模型输出分割结果的区域连通性差异大，表明教师模型的分割结果不可靠且有噪声；在模型刚开始训练时，一致性损失权重ω较高，随着训练的继续，学生模型能够从相对确定到不确定的输入中逐步学习，权重ω降低；当权重ω越高时，总体网络损失以一致项损失项为主，避免了网络陷入退化解，防止无法对未标记数据进行有意义的目标预测。