Diese Bachelorarbeit präsentiert eine Methode zur Segmentierung und Vermessung von Pneumothoraces in Röntgen-Computertomographie (XCT) Messungen. Zunächst werden sechs Segmentierungstechniken, darunter fünf Convolutional Neural Networks (CNNs) – U-Net, ResNet, SegNet, SAM und GAN – sowie eine auf Hounsfield-Einheiten basierende Segmentierungsmethode, identifiziert und für die Lungensegmentierung aus XCT-Bildern evaluiert. Unter Verwendung eines öffentlich verfügbaren Datensatzes werden die CNNs trainiert, um Lungenbereiche zu segmentieren, wobei SegNet als bestes Basismodell mit einem Dice-Koeffizienten von 61,63 % bei von SegNet vorher nicht gesehenen Daten hervorsticht. Anschließend werden die SegNet- und U-Net-Modelle weiter verfeinert und optimiert, um gleichzeitig Lungengewebe und Pneumothoraces zu segmentieren, unter Verwendung eines vom Industriepartner, dem Kantonsspital Luzern, bereitgestellten Datensatzes. Durch umfangreiche Hyperparameter-Optimierung und Vorverarbeitungsmaßnahmen erzielen die SegNet- und U-Net-Modelle Verbesserungen, wobei Dice-Koeffizienten von 88,70 % bzw. 89,63 % für die Segmentierung von Lungengewebe und Pneumothoraces erreicht werden. Das leistungsstärkste U-Net-Modell wird dann verwendet, um vollständige XCT-Scans zu analysieren, die Pneumothorax-Quantifizierung zu erleichtern und visuelle Plausibilitätsprüfungen zu erzeugen, die Kliniker bei der Entscheidungsfindung für die Behandlung unterstützen. Die erzielte Quantifizierung zeigt eine vielversprechende Genauigkeit. Eine statistisch nicht signifikante Fallanalyse azeigt eine geringe Abweichung von 4,27 % gegenüber einer manuell annotierten Quantifizierung. Insgesamt trägt diese Arbeit eine robuste Methodik zur Quantifizierung von Pneumothoraces in XCT-Scans bei, die potenziellen klinischen Nutzen bietet, vorbehaltlich weiterer Validierung und Verfeinerung.
This bachelor thesis presents a method for segmenting and measuring pneumothoraces (free air between lung and chest wall) in Computed Tomography (CT) scans. Initially, six segmentation techniques, including five convolutional neural networks (CNNs) - U-Net, ResNet, SegNet, SAM, and GAN – along with a ground truth method based on Hounsfield Units, have been developed and evaluated for lung segmentation in CT images of the thorax. Using an open source dataset, the CNNs are trained to segment lung areas, with SegNet emerging as the best-performing base model with a Dice coefficient of 61.63% on a test split. Subsequently, the SegNet and U-Net models are further refined and optimized to simultaneously segment lung parenchyma and pneumothoraces using a dataset provided by the university Hospital Lucerne. Through extensive hyperparameter tuning and pre-processing measures, the SegNet and U-Net models achieve remarkable Dice coefficients of 88.70% and 89.63%, respectively, for lung tissue and pneumothoraces segmentation. The best-performing U-Net model is then employed to analyze complete CT scans, facilitating pneumothorax volume quantification and generating visual sanity checks to aid clinicians in treatment decisions. The quantification demonstrates promising accuracy. A statistically non-significant case study reveals a minor deviation of 4.27% from a manually annotated quantification. Overall, this thesis contributes a robust methodology for pneumothorax quantification in CT scans, offering potential clinical application after further validation and refinement.