Quantitative computed tomography (QCT) enables objective assessment of lung structure and may provide information complementary to spirometry in chronic airflow limitation (CAL). Inspiratory and expiratory chest CT can assess lung volume, lung density, low-attenuation volume, and ventilation-related changes. However, their role in population-based cohorts remains less extensively studied, particularly in individuals without established lung disease or with mild airflow limitation. Furthermore, regional analysis requires accurate lung lobe segmentation, and the value of radiomic and deep learning-derived features for identifying CAL remains incompletely understood.

The overall aim of this thesis was to extract, analyse, automate, and regionalise quantitative measures from inspiratory and expiratory chest CT images, and to study their relationship with normal lung structure, ventilation-related changes, and spirometry-defined CAL. Data were obtained from the Stockholm cohort of the Swedish CArdioPulmonary bioImage Study (SCAPIS), a population-based cohort of men and women aged 50–64 years. Inspiratory and expiratory chest CT, post-bronchodilator spirometry, and questionnaire data were used. CAL was defined as a post-bronchodilator FEV1/FVC ratio < 0.70.

Study I evaluated global inspiratory and expiratory CT-derived lung volumes, mean lung density, low-attenuation volume, and density gradients. Inspiratory CT lung volumes were lower than literature-based total lung capacity reference values, whereas expiratory CT lung volumes exceeded residual volume reference values. Participants with CAL had higher inspiratory and expiratory lung volumes, lower mean lung density, and greater low-attenuation volume than participants without CAL. Expiratory CT measures showed better discriminatory performance than inspiratory measures, with the highest performance observed for expiratory low-attenuation measures. A dorsal–ventral attenuation gradient was observed during expiration in participants without CAL but not in participants with CAL.

Study II trained and evaluated a deep learning-based lung lobe segmentation method incorporating prior anatomical information from lung vessel connectivity. The method was evaluated in both inspiratory and expiratory CT, including expiratory scans, in which segmentation is typically more demanding. Prior anatomical information mainly improved boundary accuracy, with the clearest benefit in expiratory CT. The best overall segmentation performance was achieved using a multitask model segmenting both lung lobes and fissures. Complementary downstream analyses showed that the choice of segmentation method had a limited effect on CAL discrimination in the full cohort, although variability was greater in smaller cohorts.

Study III extended the global analyses in Study I to lobar CT measures in a larger cohort. Participants with CAL had higher inspiratory and expiratory lung volumes, higher low-attenuation volumes, and more negative mean lung density than participants without CAL. Expiratory measures again showed stronger discriminatory ability than inspiratory measures. Lobar analyses demonstrated regional heterogeneity in lung volume, density, and low-attenuation measures, while complementary thesis analyses examined dorsal–ventral variation. In regularised logistic regression models, combined inspiratory–expiratory measures contributed to CAL discrimination; performance improved when expiratory measures were added to inspiratory measures and showed a slight additional improvement with lobar variables. The best Study III model achieved an area under the ROC curve (AUC) of 0.81.

Study IV assessed whether lobe-level radiomic and deep learning-derived features improved CAL discrimination beyond established quantitative CT measures. Classical radiomics, SegResNet, and 3D U-Net feature models were compared using inspiratory, expiratory, and combined inspiratory–expiratory data. Expiratory feature models consistently outperformed inspiratory models. The best performance was achieved by the classical radiomics model combining inspiratory and expiratory features, which outperformed the handcrafted quantitative CT model from Study III. Feature selection showed that classical radiomics relied mainly on expiratory texture features, whereas deep learning-derived models showed more balanced contributions from inspiratory and expiratory images. Combining radiomic, deep learning-derived, and handcrafted feature sets did not improve performance beyond the best individual model.

In conclusion, inspiratory and expiratory chest CT provide quantitative measures associated with spirometry-defined CAL in a population-based cohort. Expiratory CT was consistently more informative for discriminating CAL than inspiratory CT, supporting its value for assessing ventilation-related abnormalities and CAL-related lung changes relevant to early COPD. However, regression analyses showed that combinations of inspiratory and expiratory measures contributed to CAL classification, suggesting that the two respiratory phases provided complementary information. Automated lung lobe segmentation enabled scalable regional analysis, while lobar and radiomic approaches added information beyond whole-lung measures. Together, the findings support QCT as a complementary imaging-based approach for describing lung structure, regional heterogeneity, and CAL-related abnormalities in population-based research.

Kronisk luftflödesbegränsning (på engelska chronic airflow limitation, CAL) innebär en varaktigt nedsatt förmåga att effektivt andas ut luft ur lungorna. Det kan orsakas av förträngningar i de små luftvägarna, minskad elasticitet i lungvävnaden eller att luft blir kvar i lungorna efter utandning. Kronisk luftflödesbegränsning är ett centralt kännetecken vid kroniskt obstruktiv lungsjukdom (KOL; på engelska chronic obstructive pulmonary disease, COPD), en av de vanligaste kroniska lungsjukdomarna och en betydande orsak till sjuklighet och dödlighet i världen. Vid KOL bidrar strukturella förändringar i luftvägarna och lungvävnaden till försämrad andningsfunktion. Dessa förändringar utvecklas ofta gradvis och kan vara svåra att upptäcka i ett tidigt skede. Tidig upptäckt och behandling kan dock bidra till att bromsa sjukdomsutvecklingen och förbättra prognosen. Spirometri, ett andningstest som mäter hur mycket luft en person kan andas ut och hur snabbt detta sker, är standardmetoden för att påvisa kronisk luftflödesbegränsning. Spirometri ger dock ett övergripande mått på lungfunktionen och visar inte var i lungorna avvikelserna finns.

Datortomografi (DT; på engelska computed tomography, CT) är en bilddiagnostisk metod som kan avbilda lungorna med hög detaljrikedom. I denna avhandling användes DT-bilder inte enbart för visuell bedömning, utan även för att beräkna numeriska mått på lungorna. Detta tillvägagångssätt kallas kvantitativ DT. Metoden kan användas för att mäta lungvolym, densitet i lungan och områden i lungan som innehåller ovanligt mycket luft. Sådana mått kan ge ytterligare information om tidiga lungförändringar kopplade till kronisk luftflödesbegränsning och KOL.

Studierna i denna avhandling baserades huvudsakligen på data från Stockholmsdelen av Swedish CArdioPulmonary bioImage Study, SCAPIS. SCAPIS är en stor befolkningsbaserad studie av medelålders kvinnor och män. Deltagarna genomgick DT-undersökning av lungorna både vid inandning och utandning, samt spirometri och frågeformulärsbaserade undersökningar.

Den första delen av avhandlingen undersökte om kvantitativa DT-mått från inandnings- och utandningsbilder kunde identifiera tecken på kronisk luftflödesbegränsning. Resultaten visade att deltagare med kronisk luftflödesbegränsning hade större lungvolymer, lägre medeldensitet och mer lungvävnad med låg densitet än deltagare utan luftflödesbegränsning. Mätvärden från utandnings-DT kunde bättre skilja personer med kronisk luftflödesbegränsning från personer utan sådana förändringar än mätvärden från inandnings-DT. Detta tyder på att utandningsbilder kan vara särskilt användbara för att identifiera förändringar kopplade till kronisk luftflödesbegränsning och relevanta för tidig KOL.

Avhandlingen studerade även hur förändringar skiljer sig mellan olika delar av lungan. Lungorna är indelade i lober, och lungsjukdom kan påverka vissa av dessa regioner mer än andra. För att möjliggöra storskalig regional analys omfattade avhandlingen automatisk lunglobssegmentering med hjälp av djupinlärning. Detta innebär att en datormodell tränades för att dela in lungorna i deras anatomiska lober. Metoden utformades för att fungera inte bara på inandningsbilder, utan även på utandningsbilder, där lungorna är mindre och gränserna mellan loberna kan vara svårare att identifiera.

Med hjälp av automatisk segmentering kunde DT-mått analyseras separat i olika lunglober och regioner. Detta gjorde det möjligt att beskriva var i lungorna förändringar kopplade till kronisk luftflödesbegränsning var lokaliserade. Regionala och lobära analyser gav ytterligare information om fördelningen av dessa lungförändringar, men endast en mindre förbättring i identifieringen av luftflödesbegränsning.

Slutligen undersökte avhandlingen om mer avancerad information från DT-bilderna kunde förbättra identifieringen av kronisk luftflödesbegränsning. Detta gjordes med radiomik, en metod där medicinska bilder analyseras med dator för att fånga kvantitativa mönster och egenskaper som inte nödvändigtvis är synliga för det mänskliga ögat eller kan fångas med enklare mätningar. I denna avhandling analyserades datortomografibilder med både traditionella radiomikmetoder och metoder baserade på djupinlärning. Resultaten visade att sådana mått var möjliga att använda. Modeller baserade på klassisk radiomik förbättrade identifieringen av kronisk luftflödesbegränsning jämfört med tidigare använda kvantitativa DT-mått. 

Sammanfattningsvis visar denna avhandling att kvantitativ DT kan ge användbar bildbaserad information om lungstruktur och kronisk luftflödesbegränsning i ett befolkningsbaserat material av medelålders män och kvinnor. Utandnings-DT var särskilt informativt, och automatisk lunglobssegmentering gjorde det möjligt att studera regionala skillnader i lungorna. Dessa metoder är inte avsedda att ersätta spirometri, men de kan komplettera andningstester genom att visa strukturella och regionala lungförändringar. Efter ytterligare validering kan kvantitativ DT bidra till ökad förståelse av tidiga KOL-relaterade lungförändringar och stödja mer detaljerad bildbaserad karakterisering av kroniskt obstruktiv lungsjukdom.