大脑是人体极为重要的器官。尽早诊断与治疗可以有效的减少脑部疾病带来的巨大伤害。脑组织的分割是对脑组织进行定量分析的关键步骤,其中脑脊液分割是脑组织分割中的一个重要研究课题。近年来,基于深度学习的CT图像脑脊液分割取得了较大进展,但因预测时间过长,限制了其广泛的应用和发展,因此,研究高精度且预测效率高的分割模型具有重要意义。本文提出了一种基于U-Net的脑脊液自动分割方法,即Reduce U-Net,提高了脑疾病检测的效率。为了提高脑疾病检测的效率,在U-Net的基础上进行改进得到Reduce U-Net模型,并基于Reduce U-Net研究了颅脑CT图像的脑脊液分割算法。为了使网络能够满足分割精度以及速度两方面的要求,对U-Net的深度和宽度都进行了适当的修改。相对于U-Net结构,Reduce U-Net增加了深度,即从深度从4变为5;同时减少了模型宽度,从初始通道数64每次下采样倍增,改为初始通道数16每次下采样以16递增。此外,为了避免Reduce U-Net的过拟合,在下采样之后的最底层增加了丢弃率为0.5的Dropout层。可以看出,新提出的模型降低了训练的参数数量,能加快训练的速度。为了在数据集不大的情况下尽量提高模型的分割精度,使用了数据增强方案来提高分割模型的泛化能力。通过研究三维颅脑CT图像的数据特点,在专家的指导下,借助于ITK-Snap软件和Materialise Mimics软件手工标注了所有的数据。在不增加现有样本数据量的情况下,通过数据增强提高了CT图像脑脊液的分割精度。在已标注的594个颅脑CT数据上,采用三折交叉验证对模型进行了评估,模型分割精度平均dice为0.8845。在预测时间上,平均每个薄层CT图像的预测时间为4.7233秒;平均每个厚层CT图像的平均预测时间为0.5513秒。消融实验和对比实验结果也表明,Reduce U-Net模型在保持较高的平均分割精度Dice情况下,平均预测时间大幅缩短。