目的 基于钝性颅脑损伤CT图像训练卷积神经网络DeepLabV3+模型，实现对常见颅脑损伤的智能化识别与分割（下文简称“分割”），探索深度学习技术在法医学钝性颅脑损伤自动化诊断中的应用价值。 方法 收集活体5 486张钝性颅脑损伤CT图像作为训练集、验证集和测试集进行模型训练与性能评估，另取活体255张钝性颅脑损伤与156张正常颅脑CT图像作为盲测集，评估模型分割5类颅脑损伤（头皮血肿、颅骨骨折、硬脑膜外血肿、硬脑膜下血肿和脑挫伤）的能力。再收集尸体340张钝性颅脑损伤和120张正常颅脑CT图像作为新的盲测集，探索用活体颅脑损伤CT图像训练的模型在尸体颅脑损伤分割中的应用价值。对除盲测集以外的所有钝性颅脑损伤CT图像中的5类颅脑损伤进行人工标记，再将各数据集输入模型，对模型进行训练后，根据训练集、验证集的损失函数与准确率评估并优化模型性能，根据测试集的Dice值评估模型泛化能力；根据盲测集的准确率、精确率和F1值评价模型对5类颅脑损伤的分割性能。 结果 经过对模型的训练和优化，最终的最优模型对头皮血肿、颅骨骨折、硬脑膜外血肿、硬脑膜下血肿和脑挫伤分割的平均Dice值分别是0.766 4、0.812 3、0.938 7、0.782 7和0.858 1，均大于0.75，达到了预期要求。盲测集的外部验证结果显示，5类颅脑损伤分割的F1值在活体颅脑损伤CT图像中分别是93.02%、89.80%、87.80%、92.93%和86.57%，在尸体颅脑损伤CT图像中分别是83.92%、44.90%、76.47%、64.29%和48.89%，说明该模型在活体CT图像上能准确分割5类颅脑损伤，而在尸体CT图像上的分割能力相对较差，但仍然能够准确分割头皮血肿、硬脑膜外血肿和硬脑膜下血肿。 结论 基于CT图像训练的深度学习模型可用于颅脑损伤的分割，但直接将活体颅脑损伤模型用于尸体颅脑损伤的分割有局限性。本研究为钝性颅脑损伤虚拟解剖数据的智能分割提供了新途径。
