Ziel: Auf der Basis von Spiral-CT-Aufnahmen sollte Milzparenchym mit und ohne pathologische Veränderungen mit Hilfe eines entwickelten Softwaresystems ausgewertet (segmentiert und volumetriert) werden. Methoden: Die Software HYBRIKON ist ein auf Voxelseeding, selbst-organisierenden neuronalen Netzen und fuzzy-anatomischen Regeln basierendes Bildanalyseprogramm zur Analyse von DICOM-Volumen-Daten. Die neuronalen Netze wurden mit Spiral-CT-Daten von 10 Patienten trainiert, die nicht in der folgenden Evaluierung an Spiral-CT-Daten von 19 Patienten beurteilt wurden. Die Ergebnisse wurden von einem erfahrenen Radiologen überprüft. Richtig-positive (korrekt als Milz detektierte) Areale und falsch-positive (fehlerhaft als Milz detektierte) Areale wurden prozentual im Vergleich zum tatsächlichen, vom Radiologen markierten Milz-Areal berechnet. Zusätzlich wurden die Ergebnisse mit den Resultaten einer Standard-Dichtemaske verglichen. Ergebnisse: Die neuronalen Netze zeigten eine deutlich höhere Genauigkeit in der Erkennung des Milzparenchyms als die Dichtemaske: Korrelationskoeffizient 0,99 (Dichtemaske: 0,63), richtig-positiver Anteil etwa 90 % (Dichtemaske: 75 %), falsch-positiver Anteil etwa 5 % (Dichtemaske: > 100 %). Fehlerursachen waren Nebenmilzen, Fälle mit extrem veränderter Morphologie (Tumor-Metastasen, Zysten) sowie perilienale Raumforderungen. Schlußfolgerungen: Fuzzy-neuronale Netze können zur automatischen Milzsegmentierung und Milzvolumetrie in der Spiral-CT sinnvoll eingesetzt werden. Purpose: To assess spleen segmentation and volumetry in spiral CT scans with and without pathological changes of splenic tissue. Methods: The image analysis software HYBRIKON is based on region growing, self-organized neural nets, and fuzzy-anatomic rules. The neural nets were trained with spiral CT data from 10 patients, not used in the following evaluation on spiral CT scans from 19 patients. An experienced radiologist verified the results. The true positive and false positive areas were compared in terms to the areas marked by the radiologist. The results were compared with a standard thresholding method. Results: The neural nets achieved a higher accuracy than the thresholding method. Correlation coefficient of the fuzzy-neural nets: 0.99 (thresholding: 0.63). Mean true positive rate: 90 % (thresholding: 75 %), mean false positive rate: 5 % (thresholding > 100 %). Pitfalls were caused by accessory spleens, extreme changes in the morphology (tumors, metastases, cysts), and parasplenic masses. Conclusions: Self-organizing neural nets combined with fuzzy rules are ready for use in the automatic detection and volumetry of the spleen in spiral CT scans. 1 1 Herrn Prof. Dr. med. M. Thelen zum 60. Geburtstag gewidmet 2 Das Projekt wurde von der DFG gefördert (AZ: Th 315/6 - 2) 3 Diese Arbeit enthält wesentliche Bestandteile der Dissertation von cand. med. Stephanie Rückert