Use of multi-detector CT in lung cancer screening has the potential to detect smaller lung nodules with improved sensitivity. In this study the development of a Computer Aided Detection (CAD) system for lung nodules is reported. A combination of two segmentation approaches is used, to segment lung regions. Following segmentation, a selective enhancement filter is applied for ''initial'' identification of nodule seed points in lung regions. Candidate lung nodule regions were delineated with the use of a region growing algorithm, with thresholds provided by minimum error thresholding. False positive regions were subsequently removed using two Support Vector Machines (SVM) classifiers in cascade, utilizing a set of 6 morphological features extracted from corresponding nodule candidate regions of the enhanced and the original images. The proposed automated scheme was tested on a reference dataset of 21 cases provided by the Lung Imaging Database Consortium. System performance on a case and slice basis provided sensitivities of 91% and 81% respectively, both with an average of 5 FPs per slice. Further analysis of the slice dataset with respect to size, contrast and location of nodules provided sensitivities of 81%, 83% and 85% for nodules of small size, low contrast and near pleura. This CAD scheme may be a useful tool in assisting radiologists in lung nodule detection. / Χρήση υπολογιστικής αξονικής τομογραφίας με πολλαπλών ανιχνευτών στον πληθυσμιακό έλεγχο καρκίνου το πνεύμονα αναμένεται να συμβάλει θετικά λόγω της ικανότητας της να ανιχνεύει οζίδια του πνεύμονα μικρού μεγέθους με αυξημένη ευαισθησία. Σε αυτή την μελέτη περιγράφεται η ανάπτυξη συστήματος αυτόματης ανίχνευσης οζιδίων του πνεύμονα, με στόχο την αύξηση της ευαισθησίας σε πολυτομική αξονική τομογραφία. Το σύστημα ανίχνευσης οζιδίων αποτελείται από τρία στάδια, το στάδιο της τμηματοποίησης των πνευμονικών πεδίων, την αναγνώριση των αρχικών υποψηφίων περιοχών και τέλος την μείωση των ψευδώς θετικών ενδείξεων. Η τμηματοποίηση των πνευμονικών πεδίων πραγματοποιήθηκε με τον συνδυασμό δύο αυτόματων τεχνικών τμηματοποίησης. Στην συνέχεια ένα επιλεκτικό ενισχυτικό φίλτρο εφαρμόζεται στην περιοχή των πνευμονικών πεδίων, για την ανίχνευση τον αρχικών υποψηφίων οζιδίων και τον συντεταγμένων τους. Τα όρια των υποψήφιων οζιδίων καθορίστηκαν με την βοήθεια ενός αλγορίθμου οριοθέτησης περιοχής με τις σταθερές κατωφλιού να υπολογίζονται αυτόματα βάση τις τεχνικής που προτάθηκε από τον Kittler et al. Η μείωση των ψευδώς θετικών ενδείξεων πραγματοποιήθηκε με την εφαρμογή δύο ταξινομητών Support Vector Machines (SVM) σε σειρά, οι οποίοι χρησιμοποίησαν 6 μορφολογικά χαρακτηριστικά τα οποία υπολογίστηκαν από τις περιοχές των υποψηφίων οζιδίων στην ενισχυμένη αλλά και στην αρχική εικόνα. Το σύστημα το οποίο παρουσιάζεται σε αυτή την εργασία εφαρμόστηκε και δοκιμάστηκε σε βάση δεδομένων αναφοράς η οποία περιλαμβάνει 21 εξετάσεις, την οποία τις παρέχει το Lung Imaging Database Consortium ((LIDC). Η απόδοση του συστήματος σε επίπεδο εξέτασης και επίπεδο τομής ήταν αντίστοιχα 91% και 81% με 5 ψευδώς θετικές ενδείξεις αντίστοιχα. Περαιτέρω ανάλυση βάση του μεγέθους, αντίθεσης και θέσης των οζιδίων απέδωσε ευαισθησίες 81%, 83% και 85% για οζίδια μικρού μεγέθους, χαμηλής αντίθεσης και οζίδια που βρίσκονται στον υπεζοκότα. Το προτεινόμενο σύστημα μπορεί να αποδειχθεί χρήσιμο εργαλείο υποβοήθησης ανάγνωσης οζιδίων σε πολυτομική αξονική τομογραφία για τους ακτινολόγους.