Manuell analys av datortomografibilder (CT) utan kontrast, med fokus på exspiratoriska pulmonella blodkärl, är idag en utmaning. För att underlätta och förbättra diagnostiken vid lungsjukdomar som interstitiella lungsjukdomar (ILD), inklusive lungfibros, finns ett växande behov av kvantitativa och automatiserade bildanalysmetoder. Syftet med denna studie var att utveckla och utvärdera en AI-modell för segmentering av lungkärl baserad på nnUNet, ett självkonfigurerande neuralt nätverk för medicinsk bildanalys. Totalt 33 thorax CT-bilder i exspirationsfas utan kontrastmedel hämtades från Karolinska Universitetssjukhuset i Solna via databasen PACS. Bilderna segmenterades i 3D Slicer och användes för träning av modellen med nnUNet i flera stegvisa träningsrundor. Modellens prestanda utvärderades kvantitativt med Dice Similarity Coefficient (DSC) mot manuellt segmenterade referensbilder från sju slumpmässigt utvalda fall. Resultaten visade att modellen successivt förbättrades och kunde identifiera en större del av kärlträdet speciellt i de centrala lungregionerna. Den slutliga modellen efter tre träningsrundor uppnådde ett medelvärde för DSC på 0,9911. Segmenteringen var dock mindre exakt i de perifera kärlområdena. nnUNet visar lovande resultat för automatiserad segmentering av pulmonella kärl i exspiratoriska CT-bilder utan kontrast och har potential för framtida kliniska tillämpningar. Fortsatt utveckling och utökning av träningsdata krävs för att förbättra noggrannheten särskilt i de perifera delarna av lungorna.

Manual analysis of non-contrast computed tomography (CT) images, focusing on expiratory pulmonary blood vessels, remains a significant challenge. To facilitate and improve diagnosis in lung diseases such as interstitial lung diseases (ILD), including pulmonary fibrosis, there is an increasing need for quantitative and automated image analysis methods. The aim of this study was to develop and evaluate an AI model for vessel segmentation based on nnUNet, a self-configuring neural network for medical image analysis. A total of 33 non-contrast thoracic CT scans in the expiratory phase were retrieved from Karolinska University Hospital in Solna via the PACS database. The images were segmented in 3D Slicer and used to train the model with nnUNet through several iterative training rounds. The model’s performance was quantitatively evaluated using the Dice Similarity Coefficient (DSC), compared against manually segmented reference images from seven randomly selected cases. The results showed a gradual improvement in the model's ability to identify an increasing portion of the vascular tree, particularly in central lung regions. The final model, after three training rounds, achieved a mean DSC of 0.991. However, segmentation was less accurate in peripheral vessel regions. nnUNet shows promising results for automated segmentation of pulmonary vessels in expiratory, non-contrast CT images and has potential for future clinical applications. Further development and expansion of training data are needed to improve accuracy, especially in peripheral lung areas.