在法医临床学鉴定中,当需要确定肺萎陷程度时,通过Mimics软件计算被认为金标准.然而,由于Mimics软件的操作复杂且耗时较长,一些法医工作者仍然倾向于使用目测法、三线法等传统方法进行计算,这种做法可能导致鉴定意见出现一定程度的误差.本研究基于深度学习语义分割技术开发了肺萎陷程度自动化计算模型,并与Mimics软件计算肺萎陷程度的结果比对,以探究深度学习在肺萎陷程度测算中的可行性与可靠性.本研究收集包含气胸诊断的 42 例DICOM格式CT影像数据,每例图像约 350 张,层厚 1 mm,从中随机选取 32 例数据用于模型训练,人工标注 1 943 张图像中胸廓内含气区域,另外 10 例数据由Mimics软件测量肺萎陷程度,用于验证模型训练效果.同时,选取 5 例气胸相关鉴定案例作为外部测试集,通过模型和Mimics软件重建两种方法计算肺萎陷程度,分析两种方法结果的相关性及计算误差.在验证集中,模型计算结果与人工方法的平均误差为 2.4%,平均计算时间为 60.04 s;在测试集中平均误差为 4.4%.本研究构建的模型在气胸所引起的肺萎陷程度自动化测算中表现出潜在的应用价值,为法医临床学中对气胸所致的肺萎陷程度准确定量提供了可靠的技术支撑.