CT脑组织图像分割对脑出血、脑外伤和脑梗塞等疾病的诊断有重要的辅助作用,可以获取病理信息、分析脑组织大小,帮助医生制定脑部疾病的治疗方案。研究使用深度学习技术来自动分割CT脑组织,对脑疾病的诊断极其重要。由于临床CT数据中脑组织区域并非在图像的中心,提出先定位后分割的总体思路。首先对CT图像中脑组织进行定位。通过深度学习技术得到脑组织的粗分割结果。以粗分割结果的重心作为感兴趣区域的中心位置,从而获得精准的定位信息。然后设计更适合分割CT脑组织的深度学习网络框架,对感兴趣区域进行精细的分割。提出在V-Net网络结构上添加批量标准化层(Batch Normalization,BN),提高模型的鲁棒性。然后结合注意力机制,在训练过程中动态调整通道的重要程度,提高网络对脑组织的识别能力。并提出使用新设计的损失函数,减少模型出现分割泄漏和分割不充分,从而提高模型的分割准确度。最后通过后处理,将标签数据映射到CT图像的原大小。实验数据表明,提出的深度学习方法在常用评价标准Dice系数(由Lee Raymond Dice命名的集合相似度度量函数)上达到了0.988。较其它用于CT脑组织分割方法,有了较大的提升,而且有较强的鲁棒性,能够准确地分割CT图像中的脑组织,有助于医生获取病理信息,辅助脑疾病的诊断。