La segmentation des vaisseaux sanguins est une tâche difficile du fait de leur finesse, tortuosité et connectivité complexe. Des méthodes par apprentissage profond ont été proposées pour répondre à ce problème, mais nécessitent de larges jeux de données (un pour chaque nouvelle application), ce qui est très difficile à obtenir pour les réseaux vasculaires. Dans ce papier, plutôt que d'apprendre à segmenter, nous proposons d''apprendre un terme de régularisation reconnecteur. Ainsi, ce terme peut se généraliser plus facilement que les modèles de segmentation appris par apprentissage profond et peut être facilement injecté dans des schémas d'optimisation variationnelles pour détecter des réseaux vasculaires de différents jeux donnés sans nécessiter de nouvelles annotations. Nous montrons que notre approche permet de mieux préserver la connectivité des réseaux vasculaires que certains termes de régularisations classiques. Enfin, nous montrons le pouvoir de généralisation de notre terme de reconnexion en l'appliquant à d'autres types de données.