Einleitung. Die Intubation bei Kaninchen kleiner Rassen wird stets als technisch an- spruchsvoll beschrieben. Außerdem neigt das Kaninchen in besonderer Weise zu intubations-assoziierten Komplikationen. Die Auswahl geeigneter Endotrachealtuben erfolgt bisher empirisch und Studien zu den Größenverhältnissen adulter Tiere mit einer Körpermasse unter 2 kg lagen nicht vor. Ziele der Untersuchung. Ziel der vorliegenden Untersuchung war, morphometrische Daten über die anatomischen Verhältnisse der Atemwege des Zwergkaninchens zu ermitteln, die als Basis für Empfehlungen zur Intubation dienen können. Material und Methoden. Die vorliegende Studie untersuchte 35 Tiere mit Körper- massen zwischen 0,61 - 2,15 kg. Die Tiere wurden in Allgemeinanästhesie mit Isoflu- ran nach Einleitung mit Propofol untersucht. Es wurden Computertomographien des Hals- und Thoraxbereiches in Brustbauch- oder Rückenlage mit einer Schichtdicke von 0,7 mm angefertigt. Diese wurden mit einer automatisierten Auswertungssoft- ware zur Rekonstruktion und Analyse von Atemwegen vermessen. Es wurden Ver- gleichsmessungen der Trachealdurchmesser und -querschnittsflächen an Gefrier- schnitten anatomischer Präparate von fünf Tieren durchgeführt. Die Messpunkte wurden durch die Übergänge der Halswirbel definiert.Ergebnisse. Die Gültigkeit der vorgenommen Messungen wurde durch eine Bland- Altmann-Analyse der Ergebnisse aus anatomischen Präparaten und Computertomo- graphie bestätigt. Die Messpunkte zeigten Mittelwerte zwischen 2,49 – 3,39 mm im minimalen Durchmesser, 3,78 – 4,06 mm im maximalen Durchmesser und eine Trachealfläche zwischen 7,04 – 11,09 mm2. Im Bereich des Kehlkopfes waren teil- weise keine auswertbaren Messungen möglich. An den übrigen Messpunkten zeig- ten sich signifikante Korrelationen (Pearson-Korrelationskoeffizient) zur Körpermasse des minimalen Durchmesser zwischen 0,44 – 0,67, des maximalen Durchmessers von 0,6 – 0,68 und zur Trachealfläche zwischen 0,47 – 0,72. Zur Scheitelsteißlänge lagen die Korrelationen zum minimalen Durchmesser zwischen 0,49 – 0,68, zum maximalen Durchmesser bei 0,47 – 0,69 und zur Trachealquerschnittsfläche zwi- schen 0,58 – 0,65. Auf Grund dieser Korrelation wurde eine Diskriminanzanalyse durchgeführt und eine Formel zur Vorhersage der Endotrachealtubusgröße erstellt. Diese sagt mit einer Genauigkeit von 67,6% die passende Tubusgröße voraus. Ge- schlecht und Alter hatten keinen Einfluss auf die Größe der Trachea und spielen da- mit keine Rolle bei der Wahl des Tubus. Schlussfolgerung. Die vorliegende Studie zeigt, dass die Computertomographie auch bei sehr kleinen Tieren gut für die Evaluation der Atemwege geeignet ist. Die Trachealdimensionen zeigen eine signifikante Korrelation zur Körpermasse und zur Scheitelsteißlänge. Beide Parameter sind damit geeignete Marker zur Auswahl eines Endotrachealtubus beim Kaninchen und mit Hilfe der hier gefundenen Daten ist eine evidenzbasierte Intubationsempfehlung für Zwergkaninchen möglich.

Computed Tomography (CT) imaging provides invaluable insight into internal structures of objects and organisms, which is critical for applications ranging from materials science to medical diagnostics. In CT data, an object is represented by a 3D reconstruction that is generated by combining multiple 2D X-ray images taken from various angles around the object. Each voxel, a volumetric pixel, within the reconstructed volume represents a small cubic element, allowing for detailed spatial representation. To extract meaningful information from CT imaging data and facilitate analysis and interpretation, accurate segmentation of internal structures is essential. However, this can be challenging due to various artifacts introduced by the physics of a CT scan and the properties of the object being imaged. This dissertation directly addresses this challenge by using deep learning techniques. Specifically, Convolutional Neural Networks (CNNs) are used for segmentation. However, they face the problem of limited training data. Data scarcity is addressed by data augmentation through the unsupervised generation of synthetic training data and the use of 2D and 3D data augmentation methods. A combination of these augmentation strategies allows for streamlining segmentation in voxel data and effectively addresses data scarcity. Essentially, the work aims to simplify training of CNNs, using minimal or no labeled data. To enhance accessibility to the results of this thesis, two user-friendly software solutions, unpAIred and AiSeg, have been developed. These platforms enable the generation of training data, data augmentation, as well as training, analysis, and application of CNNs. This cumulative work first examines simpler but efficient conventional data augmentation methods, such as radiometric and geometric image manipulations, which are already widely used in literature. However, these methods are usually randomly applied and do not follow a specific order. The primary focus of the first paper is to investigate this approach and to develop both online and offline data augmentation pipelines that allow for systematic sequencing of these operations. Offline augmentation involves augmenting training data stored on a drive, while online augmentation is performed dynamically at runtime, just before images are fed to the CNN. It is successfully shown that random data augmentation methods are inferior to the new pipelines. A careful comparison of 3D CNNs is then performed to identify optimal models for specific segmentation tasks, such as carbon and pore segmentation in CT scans of Carbon Reinforced Concrete (CRC). Through an evaluation of eight 3D CNN models on six datasets, tailored recommendations are provided for selecting the most effective model based on dataset characteristics. The analysis highlights the consistent performance of the 3D U-Net, one of the CNNs, and its residual variant, which excel at roving (a bundle of carbon fibers) and pore segmentation tasks. Based on the augmentation pipelines and the results of the 3D CNN comparison, the pipelines are extended to 3D, specifically targeting the segmentation of carbon in CT scans of CRC. A comparative analysis of different 3D augmentation strategies, including both offline and online augmentation variants, provides insight into their effectiveness. While offline augmentation results in fewer artifacts, it can only segment rovings already present in the training data, while online augmentation is essential for effectively segmenting different types of rovings contained in CT scans. However, constraints such as limited diversity of the dataset and overly aggressive augmentation that resulted in segmentation artifacts require further investigation to address data scarcity. Recognizing the need for a larger and more diverse dataset, this thesis extends the results of the three former papers by introducing a deep learning-based augmentation using a Generative Adversarial Network (GAN), called Contrastive Unpaired Translation (CUT), for synthetic training data generation. By combining the GAN with augmentation pipelines, semi-supervised and unsupervised end-to-end training methods are introduced and the successful generation of training data for 2D pore segmentation is demonstrated. However, challenges remain in achieving a stable 3D CUT implementation, which warrants further research and development efforts. In summary, the results of this dissertation address the challenges of accurate CT data segmentation in materials science through deep learning techniques and novel 2D and 3D online and offline augmentation pipelines. By evaluating different 3D CNN models, tailored recommendations for specific segmentation tasks are provided. Furthermore, the exploration of deep learning-based augmentation using CUT shows promising results in the generating synthetic training data. Future work will include the development of a stable implementation of a 3D CUT version, the exploration of new model architectures, and the development of sub-voxel accurate segmentation techniques. These have the potential for significant advances in segmentation in tomography data.:Abstract IV Zusammenfassung VI 1 Introduction 1 1.1 Thesis Structure 2 1.2 Scientific Context 3 1.2.1 Developments in the Segmentation in Tomography Data 3 1.2.2 3D Semantic Segmentation using Machine Learning 5 1.2.3 Data Augmentation 6 2 Developed Software Solutions: AiSeg and unpAIred 9 2.1 Software Design 10 2.2 Installation 11 2.3 AiSeg 11 2.4 unpAIred 12 2.5 Limitations 12 3 Factors Affecting Image Quality in Computed Tomography 13 3.1 From CT Scan to Reconstruction 13 3.2 X-ray Tube and Focal Spot 14 3.3 Beam Hardening 14 3.4 Absorption, Scattering and Pairing 15 3.5 X-ray Detector 16 3.6 Geometric Calibration 17 3.7 Reconstruction Algorithm 17 3.8 Artifact corrections 18 4 On the Development of Augmentation Pipelines for Image Segmentation 19 4.0 Abstract 20 4.1 Introduction 20 4.2 Methods 21 4.2.1 Data Preparation 21 4.2.2 Augmentation 21 4.2.3 Networks 24 4.2.4 Training and Metrics 25 4.3 Experimental Design 26 4.3.1 Hardware 26 4.3.2 Workflow 26 4.3.3 Test on Cityscapes 26 4.4 Results and Discussion 26 4.4.1 Stage 1: Crating a Baseline 27 4.4.2 Stage 2: Using Offline Augmentation 27 4.4.3 Stage 3: Using Online Augmentation 27 4.4.4 Test on Cityscapes 29 4.4.5 Future Work – A New Online Augmentation 30 4.5 Conclusion 31 4.6 Appendix 31 4.6.1 Appendix A. List of All Networks 31 4.6.2 Appendix B. Augmentation Methods 32 4.6.3 Appendix C. Used RIWA Online Augmentation Parameters 36 4.6.4 Appendix D. Used Cityscapes Online Augmentation Parameters 36 4.6.5 Appendix E. Comparison of CNNs with best Backbones on RIWA 37 4.6.6 Appendix F. Segmentation Results 38 4.7 References 39 5 Comparison of 3D CNNs for Volume Segmentation 43 5.0 Abstract 44 5.1 Introduction 44 5.2 Datasets 44 5.2.1 Carbon Rovings 45 5.2.2 Concrete Pores 45 5.2.3 Polyethylene Fibers 45 5.2.4 Brain Mitochondria 45 5.2.5 Brain Tumor Segmentation Challenge (BraTS) 46 5.2.6 Head and Neck Cancer 46 5.3 Methods 46 5.3.1 Data Preprocessing 46 5.3.2 Hyperparameters 46 5.3.3 Metrics 47 5.3.4 Experimental Design 48 5.4 Results and Discussion 48 5.4.1 Impact of Initial Random States (Head and Neck Cancer Dataset) 48 5.4.2 Carbon Rovings 48 5.4.3 Concrete Pores 49 5.4.4 Polyethylene Fibers 49 5.4.5 Brain Mitochondria 50 5.4.6 BraTS 51 5.5 Conclusion 51 5.6 References 52 6 Segmentation of Carbon in CRC Using 3D Augmentation 55 6.0 Abstract 56 6.1 Introduction 56 6.2 Materials and Methods 58 6.2.1 Specimens 58 6.2.2 Microtomography 59 6.2.3 AI-Based Segmentation 60 6.2.4 Roving Extraction 64 6.2.5 Multiscale Modeling 65 6.2.6 Scaled Boundary Isogeometric Analysis 66 6.2.7 Parameterized RVE and Definition of Characteristic Geometric Properties 67 6.3 Results and Discussion 70 6.3.1 Microtomography 70 6.3.2 Deep Learning 71 6.3.3 Roving Extraction 74 6.3.4 Parameterized RVE and Definition of Characteristic Geometric Properties 75 6.4 Conclusion 79 6.5 References 80 7 Image-to-Image Translation for Semi-Supervised Semantic Segmentation 85 7.1 Introduction 85 7.2 Methods 86 7.2.1 Generative Adversarial Networks 87 7.2.2 Contrastive Unpaired Translation 87 7.2.3 Fréchet Inception Distance 89 7.2.4 Datasets 89 7.3 Experimental Design 92 7.4 Results and Discussion 94 7.4.1 Training and Inference of CUT 94 7.4.2 End-to-End Training for Semantic Segmentation 99 7.5 Conclusion 104 7.5.1 Future Work 104 8 Synthesis 107 8.1 Research Summary 107 8.1.1 Augmentation Pipelines 107 8.1.2 3D CNN Comparison 108 8.1.3 3D Data Augmentation for the Segmentation of Carbon Rovings 108 8.1.4 Synthetic Training Data Generation 109 8.2 Future Developments 109 8.2.1 Augmentation 109 8.2.2 Pre-trained 3D Encoder 111 8.2.3 On the Quality Control of Carbon Reinforced Concrete 111 8.2.4 Subvoxel Accurate Segmentation 113 8.2.5 Towards Volume-to-Volume Translation 114 8.3 Conclusion 114 References 117 List of Tables 125 List of Figures 127 List of Abbreviations 131 / Computertomographie (CT) bietet wertvolle Einblicke in die inneren Strukturen von Objekten und Organismen, was für Anwendungen von der Materialwissenschaft bis zur medizinischen Diagnostik von entscheidender Bedeutung ist. In CT-Daten ist ein Objekt durch eine 3D-Rekonstruktion dargestellt, die durch die Kombination mehrerer 2D-Röntgenbilder aus verschiedenen Winkeln um das Objekt herum erstellt wird. Jedes Voxel, ein Volumen Pixel, innerhalb des rekonstruierten Volumens stellt ein kleines kubisches Element dar und ermöglicht eine detaillierte räumliche Darstellung. Um aussagekräftige Informationen aus CT-Bilddaten zu extrahieren und eine Analyse und Interpretation zu ermöglichen, ist eine genaue Segmentierung der inneren Strukturen unerlässlich. Dies kann jedoch aufgrund verschiedener Artefakte, die durch die Physik eines CT-Scans und Eigenschaften des abgebildeten Objekts verursacht werden, eine Herausforderung darstellen. Diese Dissertation befasst sich direkt mit dieser Herausforderung, indem sie Techniken des Deep Learnings einsetzt. Konkret werden für die Segmentierung Convolutional Neural Networks (CNNs) verwendet, welche jedoch mit dem Problem begrenzter Trainingsdaten konfrontiert sind. Der Datenknappheit wird dabei durch Datenerweiterung begegnet, indem unbeaufsichtigt synthetische Trainingsdaten erzeugt und 2D- und 3D-Augmentierungssmethoden eingesetzt werden. Eine Kombination dieser Vervielfältigungsstrategien erlaubt eine Vereinfachung der Segmentierung in Voxeldaten und behebt effektiv die Datenknappheit. Im Wesentlichen zielt diese Arbeit darauf ab, das Training von CNNs zu vereinfachen, wobei wenige oder gar keine gelabelten Daten benötigt werden. Um die Ergebnisse dieser Arbeit Forschenden zugänglicher zu machen, wurden zwei benutzerfreundliche Softwarelösungen, unpAIred und AiSeg, entwickelt. Diese ermöglichen die Generierung von Trainingsdaten, die Augmentierung sowie das Training, die Analyse und die Anwendung von CNNs. In dieser kumulativen Arbeit werden zunächst einfachere, aber effiziente konventionelle Methoden zur Datenvervielfältigung untersucht, wie z. B. radiometrische und geometrische Bildmanipulationen, die bereits häufig in der Literatur verwendet werden. Diese Methoden werden jedoch in der Regel zufällig nacheinander angewandt und folgen keiner bestimmten Reihenfolge. Der Schwerpunkt des ersten Forschungsartikels liegt darin, diesen Ansatz zu untersuchen und sowohl Online- als auch Offline-Datenerweiterungspipelines zu entwickeln, die eine systematische Sequenzierung dieser Operationen ermöglichen. Bei der Offline Variante werden die auf der Festplatte gespeicherten Trainingsdaten vervielfältigt, während die Online-Erweiterung dynamisch zur Laufzeit erfolgt, kurz bevor die Bilder dem CNN gezeigt werden. Es wird erfolgreich gezeigt, dass eine zufällige Verkettung von geometrischen und radiometrischen Methoden den neuen Pipelines unterlegen ist. Anschließend wird ein Vergleich von 3D-CNNs durchgeführt, um die optimalen Modelle für Segmentierungsaufgaben zu identifizieren, wie z.B. die Segmentierung von Carbonbewehrung und Luftporen in CT-Scans von carbonverstärktem Beton (CRC). Durch die Bewertung von acht 3D-CNN-Modellen auf sechs Datensätzen werden Empfehlungen für die Auswahl des genauesten Modells auf der Grundlage der Datensatzeigenschaften gegeben. Die Analyse unterstreicht die konstante Überlegenheit des 3D UNets, eines der CNNs, und seiner Residualversion bei Segmentierung von Rovings (Carbonfaserbündel) und Poren. Aufbauend auf den 2D Augmentierungspipelines und den Ergebnissen des 3D-CNN-Vergleichs werden die Pipelines auf die dritte Dimension erweitert, um insbesondere die Segmentierung der Carbonbewehrung in CT-Scans von CRC zu ermöglichen. Eine vergleichende Analyse verschiedener 3D Augmentierungsstrategien, die sowohl Offline- als auch Online-Erweiterungsvarianten umfassen, gibt Aufschluss über deren Effektivität. Die Offline-Augmentierung führt zwar zu weniger Artefakten, kann aber nur Rovings segmentieren, die bereits in den Trainingsdaten vorhanden sind. Die Online-Augmentierung erweist sich hingegen als unerlässlich für die effektive Segmentierung von Carbon-Roving-Typen, die nicht im Datensatz enthalten sind. Einschränkungen wie die geringe Vielfalt des Datensatzes und eine zu aggressive Online-Datenerweiterung, die zu Segmentierungsartefakten führt, erfordern jedoch weitere Methoden, um die Datenknappheit zu beheben. In Anbetracht der Notwendigkeit eines größeren und vielfältigeren Datensatzes erweitert diese Arbeit die Ergebnisse der drei Forschungsartikel durch die Einführung einer auf Deep Learning basierenden Augmentierung, die ein Generative Adversarial Network (GAN), genannt Contrastive Unpaired Translation (CUT), zur Erzeugung synthetischer Trainingsdaten verwendet. Durch die Kombination des GANs mit den Augmentierungspipelines wird eine halbüberwachte Ende-zu-Ende-Trainingsmethode vorgestellt und die erfolgreiche Erzeugung von Trainingsdaten für die 2D-Porensegmentierung demonstriert. Es bestehen jedoch noch Herausforderungen bei der Implementierung einer stabilen 3D-CUT-Version, was weitere Forschungs- und Entwicklungsanstrengungen erfordert. Zusammenfassend adressieren die Ergebnisse dieser Dissertation Herausforderungen der CT-Datensegmentierung in der Materialwissenschaft, die durch Deep-Learning-Techniken und neuartige 2D- und 3D-Online- und Offline-Augmentierungspipelines gelöst werden. Durch die Evaluierung verschiedener 3D-CNN-Modelle werden maßgeschneiderte Empfehlungen für spezifische Segmentierungsaufgaben gegeben. Darüber hinaus zeigen Untersuchungen zur Deep Learning basierten Augmentierung mit CUT vielversprechende Ergebnisse bei der Generierung synthetischer Trainingsdaten. Zukünftige Arbeiten umfassen die Entwicklung einer stabilen Implementierung einer 3D-CUT-Version, die Erforschung neuer Modellarchitekturen und die Entwicklung von subvoxelgenauen Segmentierungstechniken. Diese haben das Potenzial für bedeutende Fortschritte bei der Segmentierung in Tomographiedaten.:Abstract IV Zusammenfassung VI 1 Introduction 1 1.1 Thesis Structure 2 1.2 Scientific Context 3 1.2.1 Developments in the Segmentation in Tomography Data 3 1.2.2 3D Semantic Segmentation using Machine Learning 5 1.2.3 Data Augmentation 6 2 Developed Software Solutions: AiSeg and unpAIred 9 2.1 Software Design 10 2.2 Installation 11 2.3 AiSeg 11 2.4 unpAIred 12 2.5 Limitations 12 3 Factors Affecting Image Quality in Computed Tomography 13 3.1 From CT Scan to Reconstruction 13 3.2 X-ray Tube and Focal Spot 14 3.3 Beam Hardening 14 3.4 Absorption, Scattering and Pairing 15 3.5 X-ray Detector 16 3.6 Geometric Calibration 17 3.7 Reconstruction Algorithm 17 3.8 Artifact corrections 18 4 On the Development of Augmentation Pipelines for Image Segmentation 19 4.0 Abstract 20 4.1 Introduction 20 4.2 Methods 21 4.2.1 Data Preparation 21 4.2.2 Augmentation 21 4.2.3 Networks 24 4.2.4 Training and Metrics 25 4.3 Experimental Design 26 4.3.1 Hardware 26 4.3.2 Workflow 26 4.3.3 Test on Cityscapes 26 4.4 Results and Discussion 26 4.4.1 Stage 1: Crating a Baseline 27 4.4.2 Stage 2: Using Offline Augmentation 27 4.4.3 Stage 3: Using Online Augmentation 27 4.4.4 Test on Cityscapes 29 4.4.5 Future Work – A New Online Augmentation 30 4.5 Conclusion 31 4.6 Appendix 31 4.6.1 Appendix A. List of All Networks 31 4.6.2 Appendix B. Augmentation Methods 32 4.6.3 Appendix C. Used RIWA Online Augmentation Parameters 36 4.6.4 Appendix D. Used Cityscapes Online Augmentation Parameters 36 4.6.5 Appendix E. Comparison of CNNs with best Backbones on RIWA 37 4.6.6 Appendix F. Segmentation Results 38 4.7 References 39 5 Comparison of 3D CNNs for Volume Segmentation 43 5.0 Abstract 44 5.1 Introduction 44 5.2 Datasets 44 5.2.1 Carbon Rovings 45 5.2.2 Concrete Pores 45 5.2.3 Polyethylene Fibers 45 5.2.4 Brain Mitochondria 45 5.2.5 Brain Tumor Segmentation Challenge (BraTS) 46 5.2.6 Head and Neck Cancer 46 5.3 Methods 46 5.3.1 Data Preprocessing 46 5.3.2 Hyperparameters 46 5.3.3 Metrics 47 5.3.4 Experimental Design 48 5.4 Results and Discussion 48 5.4.1 Impact of Initial Random States (Head and Neck Cancer Dataset) 48 5.4.2 Carbon Rovings 48 5.4.3 Concrete Pores 49 5.4.4 Polyethylene Fibers 49 5.4.5 Brain Mitochondria 50 5.4.6 BraTS 51 5.5 Conclusion 51 5.6 References 52 6 Segmentation of Carbon in CRC Using 3D Augmentation 55 6.0 Abstract 56 6.1 Introduction 56 6.2 Materials and Methods 58 6.2.1 Specimens 58 6.2.2 Microtomography 59 6.2.3 AI-Based Segmentation 60 6.2.4 Roving Extraction 64 6.2.5 Multiscale Modeling 65 6.2.6 Scaled Boundary Isogeometric Analysis 66 6.2.7 Parameterized RVE and Definition of Characteristic Geometric Properties 67 6.3 Results and Discussion 70 6.3.1 Microtomography 70 6.3.2 Deep Learning 71 6.3.3 Roving Extraction 74 6.3.4 Parameterized RVE and Definition of Characteristic Geometric Properties 75 6.4 Conclusion 79 6.5 References 80 7 Image-to-Image Translation for Semi-Supervised Semantic Segmentation 85 7.1 Introduction 85 7.2 Methods 86 7.2.1 Generative Adversarial Networks 87 7.2.2 Contrastive Unpaired Translation 87 7.2.3 Fréchet Inception Distance 89 7.2.4 Datasets 89 7.3 Experimental Design 92 7.4 Results and Discussion 94 7.4.1 Training and Inference of CUT 94 7.4.2 End-to-End Training for Semantic Segmentation 99 7.5 Conclusion 104 7.5.1 Future Work 104 8 Synthesis 107 8.1 Research Summary 107 8.1.1 Augmentation Pipelines 107 8.1.2 3D CNN Comparison 108 8.1.3 3D Data Augmentation for the Segmentation of Carbon Rovings 108 8.1.4 Synthetic Training Data Generation 109 8.2 Future Developments 109 8.2.1 Augmentation 109 8.2.2 Pre-trained 3D Encoder 111 8.2.3 On the Quality Control of Carbon Reinforced Concrete 111 8.2.4 Subvoxel Accurate Segmentation 113 8.2.5 Towards Volume-to-Volume Translation 114 8.3 Conclusion 114 References 117 List of Tables 125 List of Figures 127 List of Abbreviations 131

In dieser retrospektiven Untersuchung wurden letztlich 133 Patienten der Intensivstation des Herzzentrum Leipzig erfasst, bei denen vom 24.05.08 bis zum 28.05.09 nach erfolgter Herzoperation eine CT-Untersuchung des Abdomen durchgeführt wurde. Bei 20 der 133 Patienten (15,04 %) wurde eine Darmischämie mittels einer Koloskopie, Laparotomie oder Obduktion eindeutig bestätigt. In unserer Untersuchung wiesen die Patienten mit Darmischämie statistisch signifikant häufiger eine Herzinsuffizienz NYHA IV (p = 0,02 und RR = 2,42), einen Zustand nach Myokardinfarkt (p = 0,04 und RR = 2,42), eine implantierte IABP (p = 0,02 und RR 2,5), eine PAVK (p = 0,02 und RR = 2,83), ein Low-Cardiac-Output-Syndrom (p > 0,001 und RR = 4,12) und ein akutes Abdomen (p < 0,001 und RR = 20,48) auf und wurden zudem signifikant häufiger mit Noradrenalin (p = 0,008 und RR = 5,08) behandelt. Die kardiovaskulären Risikofaktoren führen über verschiedene pathophysiologische Mechanismen zu einer Reduktion der Herzauswurfleistung bzw. zu einer generellen Minderperfusion und begünstigen damit die Ausbildung einer nichtokklusiven Darmischämie. Unter den laborchemischen Parametern erwiesen sich lediglich die alkalische Phosphatase (p = 0,03) und der Oxygenierungsindex (p < 0,001) als signifikante Parameter für die Diagnosestellung einer akuten Darmischämie. Außerdem konnte in unserer Arbeit für die GOT (p = 0,02), die AP (p = 0,001) und das CRP (p < 0,001) bei den Patienten mit Darmischämie statistisch signifikant höherer Mittelwerte ermittelt werden. Alles in allem waren die Laborparameter jedoch zu wenig spezifisch, um eine akute Darmischämie sicher zu bestätigen oder auszuschließen. Daraufhin haben wir den Stellenwert der MDCT zur Diagnosestellung einer Darmischämie untersucht. Dazu wurde aus aus den bildmorpholgischen CT-Parametern mesenteriales Ödem (1 Punkt), Darmwandverdickung (1 Punkt), Minderkontrastierung (1 Punkt) bzw. fehlende Kontrastierung der Darmwand (2 Punkte), Pneumatosis intestinalis (2 Punkte), mesenterialvenöse bzw. portalvenöse Gaseinschlüsse (2 Punkte) und > 50 %-ige Abgangsstenose der AMS (2 Punkte) ein CT-Score gebildet. Basierend auf der Spezifität der CT-Parameter wurde jeweils ein bestimmter Punktwert vergeben und aus der Summe aller Punkte wurde für jeden Patienten ein CT-Score errechnet. Mithilfe dieses CT-Scoresystems kann die Diagnose objektiv und frühzeitig gestellt werden. In unserer Untersuchung hat sich gezeigt, dass jeder Patient mit einem CT-Score von ≤ 2 Punkten sicher keine Darmischämie und jeder Patient mit ≥ 4 Punkten sicher eine Darmischämie hatte. Zudem haben wir statistisch ermittelt, dass ab einem CT-Score von 3 Punkten der Verdacht auf eine Darmischämie geäußert werden muss. Hier lag die Sensitivität zur Diagnosestellung einer Darmischämie bei 100 % und die Spezifität bei 92,04 %. Bei einem Cut-off von 3 Punkten wurden zwar alle Patienten mit Darmischämie erkannt, jedoch waren auch 9 Patienten falsch positiv. Neben dem CT-Score haben wir zusätzlich aus den stark signifikanten klinischen Risikofaktoren akutes Abdomen, LCO-Syndrom und Noradrenalinpflichtigkeit einen sogenannte Risikofaktor-Score gebildet. Falls zwei der drei Risikofaktoren vorliegen, sollte klinisch der Verdacht auf eine Darmischämie gestellt werden kann. Unser CT-Score wurde mit dem Risikofaktor-Score kombiniert und ein Algorithmus zur Diagnosestellung einer Darmischämie entwickelt. Mithilfe dieses Algorithmus konnten wir für die Diagnosestellung einer Darmischämie eine Sensitivität von 100 % und eine Spezifität von 97,35 % ermitteln. Somit konnte die Spezifität zur Diagnosestellung einer Darmischämie noch verbessert werden.:1 Einleitung und Zielsetzung 2 Grundlagen 2.1 Anatomie der Mesenterialgefäße 2.2 Pathophysiologie 2.3 Klinisches Krankheitsbild 2.4 Ätiologie und Pathogenese 2.4.1 Okklusive Darmischämie 2.4.1.1 Akuter embolischer Mesenterialarterienverschluss 2.4.1.2 Thrombotischer Mesenterialarterienverschluss 2.4.1.3 Thrombotischer Mesenterialvenenverschluss 2.4.2 Nichtokklusive Darmischämie 2.5 Darmischämie nach Herzoperation 2.6 Diagnostik 2.6.1 Laborparameter 2.6.2 Konventionelles Röntgen 2.6.3 Doppler-Sonographie 2.6.4 Mehrschicht-Spiral-Computertomographie 2.6.4.1 Kontrastmittelapplikation 2.6.4.2 Darmischämiezeichen 2.6.4.3 Wertigkeit der MDCT 2.6.5 Angiographie 2.6.6 Andere Untersuchungen 2.7 Therapie 3 Material und Methoden 3.1 Patientenerfassung 3.2 Apparative Untersuchung 3.3 Einteilung und Kriterien 3.3.1 Klinische Daten aus Krankenakten 3.3.2 CT-Parameter 3.3.3 Patientengruppen 3.3.4 CT-Darmischämie-Score 3.4 Statistische Auswertung 4 Ergebnisse 4.1 Patientengruppen 4.2 Geschlecht, Alter und Body-Mass-Index 4.3 Hauptdiagnosen 4.4 Nebendiagnosen 4.5 Verlaufsdiagnosen 4.6 Therapie 4.7 Präoperative Daten 4.7.1 Medikation 4.7.2 Kardiale Ejektionsfraktion 4.7.3 Herzrhythmus 4.8 Katecholaminbedarf 4.9 Entlassungsart und Mortalität 4.10 Laborparameter 4.11 Risikofaktor-Score 4.12 Originale CT-Befundtexte 4.13 Retrospektive Analyse der CT-Bildparameter 4.14 CT-Score 4.15 Algorithmus zur Diagnosestellung einer Darmischämie 5 Diskussion 5.1 Klinische Risikofaktoren 5.2 Stellenwert der Laborparameter 5.3 Risikofaktor-Score 5.4 Stellenwert der MDCT 5.4.1 Darmischämiezeichen 5.4.2 CT-Score 5.4.3 Diagnostische Genauigkeit der MDCT 5.5 Algorithmus zur Diagnosestellung einer Darmischämie 6 Zusammenfassung 7 Literaturverzeichnis 8 Erklärung über die eigenständige Abfassung der Arbeit 9 Lebenslauf 10 Danksagung

Die Lebendspende von Leberlappen wird in der Zukunft gerade vor dem Hintergrund des stets weiter steigenden Bedarfs und des sich dazu diskrepant entwickelnden Mangels an Leichenorganen zur Transplantation eine zunehmend wichtige Rolle einnehmen, um Patienten im Endstadium einer Lebererkrankung kurativ zu versorgen. Umso mehr spielen Überlegungen zur Gewährleistung insbesondere der Sicherheit für einen gesunden Lebendspender eine Rolle, ohne Risiken für ihn eliminieren zu können. In diese Überlegungen gehen Weiterentwicklungen der Möglichkeiten für die spezielle Evaluation der Leber eines potenziellen Spenders anhand bildgebender Verfahren ein. Hier nehmen Methoden zur präoperativen Abschätzung der Gewichts- und Volumenverhältnisse einer potenziellen Spenderleber und ihrer Lappen einen besonderen Stellenwert ein, da bei entsprechend ungünstigen Voraussetzungen ein gesunder Mensch aus Gründen der Sicherheit für eine Lebendspende nicht in Frage kommt. Die vorliegende Arbeit zeigt anhand einer prospektiven Studie unterschiedliche Methoden der präoperativen CT-gestützten Volumetrie zur Evaluation von Lebern und ihrer beiden Lappen von potenziellen Lebendspendern auf. Dabei wurde ein neu entwickeltes Volumetrieverfahren klinisch erprobt und mit einem etablierten Verfahren verglichen. Als Referenzgrößen wurden erstmalig gleichermaßen intraoperativ gemessene Gewichte und Volumina der transplantieren rechten Leberlappen herangezogen. Hinsichtlich der auf CT-gestützter Volumetrie basierenden, präoperativen Abschätzung von intraoperativ zu erwartendem Gewicht und Volumen von rechten Leberlappen im Rahmen einer Lebendspende erwies sich das etablierte Verfahren bezüglich des Gewichts dem neu entwickelten Verfahren geringgradig überlegen, während das neu entwickelte Verfahren bezüglich des Volumens gegenüber dem etablierten Verfahren geringgradig besser abschnitt. Darüber hinaus resultierte aus den intraoperativ erhobenen Daten die Erkenntnis, dass die physikalische Dichte von gesundem Lebergewebe bei einer relativ hohen interindividuellen Streuung im Mittel um knapp 12% höher liegt als zumeist angenommen. In Zukunft werden Fortschritte technischer Verfahren sehr genaue virtuelle Trennungen von Lebern in ihre beiden Lappen ermöglichen. Gleichzeitig werden chirurgische Resektionstechniken verfeinert. Sowohl der virtuelle als auch der reale Ansatz haben den Anspruch, die avaskuläre und somit ideale Resektionsfläche zwischen beiden Leberlappen aufzusuchen, um gleichzeitig präoperativ exakte Gewichts- und Volumenabschätzungen zu ermöglichen und intraoperativ Risiken zu minimieren. Welchem dieser beiden Ansätze die stärkste Annäherung an diesen Anspruch oder dessen Vollendung zuerst gelingt, wird sich als Referenzmethode behaupten, an der sich der unterlegene Ansatz wird messen lassen müssen. / The increasing need of cadaveric liver grafts and the scarcity of living related liver transplants (LRLT) will play a critical role in the future treatment of patients suffering from end stage liver disease. Various considerations, including especially a safe outcome for the donor, are essential. However, risks can not be eliminated. These considerations can be influenced in the evaluation of a potential living donor. Accurate methods, including imaging modalities, for the preoperative estimation of the potential donor liver’s weight and volume are essential as an adverse condition would preclude a living donation for safety reasons. This thesis presents different methods of preoperative CT-based volumetric analyses for the evaluation the liver and both its lobes in potential living donors. A newly developed method of volumetric analysis was clinically tested and compared with an established method. Intraoperatively measured weights and volumes of transplanted right hepatic lobes were used as reference values. With regards to the weight, the established method proved to be mildly superior, while the newer method was slightly more accurate for volume. Additionally, it was discovered that the mean density of healthy liver tissue is approximately 12 percent higher than generally assumed but with a relatively high individual variation. Progress in technical methods will render possible very exact virtual divisions of the liver in both of its lobes. Both the virtual and surgical approach have a claim for finding the appropriate avascular and consequently ideal resection plane in order to minimize risks intraoperatively.

Non-destructive testing (NDT) combines the application of the sciences of phys-ics, mathematics, chemistry, and biology to create a comprehensive process, that can be used for inspection, examination, and testing of materials or components to find flaws, defects or discontinuities at the surface, subsurface areas, or inner volume of the component under test. NDT maintains the serviceability of the component after inspection, without causing any damage to its original form or usefulness. In addition to the need for safety, NDT is used to ensure the efficiency and durability of the equipment. NDT is carried out to ascertain that the compo-nents or materials being used are not damaged or faulty and are fit to be used by any personnel. The result of testing can show whether the components need to be repaired or if they are safe for operation. The first NDT method to evolve in the industrial age was X-ray testing (RT). This innovation was discovered by German physicist Wilhelm Conrad Röntgen in 1895. His experiments involved cathode rays which led to not only the discovery of X-ray but to the first Nobel Prize. Among all NDT methods, RT is no exception, so there are still many issues for optimizations even today. One of them is the measurement of the focal spot of X-ray tubes. The size of the focal spot is critical for imaging because it deter-mines the spatial resolution in the X-ray image. The classical way to image focal spots of X-ray tubes is by pinhole imaging using a camera obscura. This is caused by the fact, that X-ray radiation cannot be imaged by lenses like optical wavelengths. This pinhole imaging has been standardized since a long time, e.g., by EN 12543:1999, ASTM E 1165:1992, IEC 336:1982, and DIN 6823:1962. But this method has a natural lower limit, which is defined by the diameter of the pin-hole (today min. 10 µm). Focal spot sizes lower than this diameter cannot be im-aged and measured correctly. Meanwhile, the development of algorithms of Computed Tomography allows a similar approach for focal spot imaging but using pinholes with a much larger diameter than the focal spot size to be imaged. In such a large hole the edge unsharpness of the hole rim by the focal spot size can be measured in different directions, and a first derivative following a CT recon-struction will deliver a nearly identical focal spot image compared to classical pin-hole imaging. There is principal no lower focal spot size limit anymore. Computa-tional problems must be analyzed and application and parameter range for practi-cal focal spot measurements have to be determined.

Im Rahmen der vorliegenden Dissertationsschrift „Semi-quantitative röntgentomographische Untersuchungen zur Biodistribution von magnetischen Nanopartikeln in biologischem Gewebe“ wurden tomographische Untersuchungen an biologischen Objekten durchgeführt. Bei diesen Objekten handelt es sich um Gewebeproben nach minimal-invasiven Krebstherapien wie zum Beispiel magnetischem Drug Targeting und magnetischer Wärmebehandlung. Der Erfolg dieser Therapien ist sowohl abhängig von der korrekten Verteilung der magnetischen Nanopartikel als auch von der Tatsache, dass diese in der Zielregion in einer ausreichenden Menge vorhanden sind. Das Vorliegen dieser beiden Voraussetzungen ist in der vorliegenden Arbeit untersucht worden. Dabei lag der Schwerpunkt der Arbeit auf der Quantifizierung von magnetischem Material in unterschiedlichen biologischen Gewebeproben mittels Röntgenmikrocomputertomographie (XµCT). Für diesen Zweck wurde ein Kalibrationssystem mit speziellen Phantomen entwickelt, mit dessen Hilfe eine Nanopartikelkonzentration einem Grauwert voxelweise zugewiesen werden kann. Mit Hilfe der Kalibration kann der Nanopartikelgehalt sowohl in monochromatischen als auch in polychromatischen tomographischen Daten im Vergleich zu magnetorelaxometrischen Ergebnissen mit wenigen Prozent Abweichung ermittelt werden. Trotz Polychromasie und damit einhergehenden Artefakten können 3-dimensionale röntgentomographische Datensätze mit einer geringfügigen Konzentrationsabweichung im Vergleich zur quantitativen Messmethode Magnetorelaxometrie semi-quantitativ ausgewertet werden. / The success of the minimal invasive cancer therapies, called magnetic drug targeting and magnetic heating treatment, depends strongly on the correct distribution of the magnetic nanoparticles on one side. On the other side it depends on the fact that a sufficient amount of magnetic nanoparticles carrying drugs is accumulated in the target region. To study whether these two requirements are fulfilled motivates this PhD thesis „Semi-quantitative X-ray-tomography examinations of biodistribution of magnetic nanoparticles in biological tissues“. The analysis of the distribution of the magnetic nanoparticles in tumours and other tissue examples is realized by means of X-ray-micro computer tomography (XμCT). The work focuses on the quantification of the magnetic nanoparticles in different biological tissue samples by means of XµCT. A calibration of the tomographic devices with adequate phantoms, developed in the frame of this work, opens now the possibility to analyze tomographic data in a semi-quantitative manner. Thus, the nanoparticle concentration can be allocated voxel-wise to the grey values of the three-dimensional tomographic data. With the help of calibration of the tomography equipments used, polychromatic as well as monochromatic three-dimensional representations of objects can be analyzed with regard to the biodistribution of magnetic nanoparticles as well as with regard to their quantity. The semi-quantitative results have been compared with results obtained with a quantitative measurement method magnetorelaxometry (MRX). Thereby a good agreement of the semi-quantitative and quantitative data has been figured out.

Im Rahmen der vorliegenden Dissertationsschrift „Semi-quantitative röntgentomographische Untersuchungen zur Biodistribution von magnetischen Nanopartikeln in biologischem Gewebe“ wurden tomographische Untersuchungen an biologischen Objekten durchgeführt. Bei diesen Objekten handelt es sich um Gewebeproben nach minimal-invasiven Krebstherapien wie zum Beispiel magnetischem Drug Targeting und magnetischer Wärmebehandlung. Der Erfolg dieser Therapien ist sowohl abhängig von der korrekten Verteilung der magnetischen Nanopartikel als auch von der Tatsache, dass diese in der Zielregion in einer ausreichenden Menge vorhanden sind. Das Vorliegen dieser beiden Voraussetzungen ist in der vorliegenden Arbeit untersucht worden. Dabei lag der Schwerpunkt der Arbeit auf der Quantifizierung von magnetischem Material in unterschiedlichen biologischen Gewebeproben mittels Röntgenmikrocomputertomographie (XµCT). Für diesen Zweck wurde ein Kalibrationssystem mit speziellen Phantomen entwickelt, mit dessen Hilfe eine Nanopartikelkonzentration einem Grauwert voxelweise zugewiesen werden kann. Mit Hilfe der Kalibration kann der Nanopartikelgehalt sowohl in monochromatischen als auch in polychromatischen tomographischen Daten im Vergleich zu magnetorelaxometrischen Ergebnissen mit wenigen Prozent Abweichung ermittelt werden. Trotz Polychromasie und damit einhergehenden Artefakten können 3-dimensionale röntgentomographische Datensätze mit einer geringfügigen Konzentrationsabweichung im Vergleich zur quantitativen Messmethode Magnetorelaxometrie semi-quantitativ ausgewertet werden. / The success of the minimal invasive cancer therapies, called magnetic drug targeting and magnetic heating treatment, depends strongly on the correct distribution of the magnetic nanoparticles on one side. On the other side it depends on the fact that a sufficient amount of magnetic nanoparticles carrying drugs is accumulated in the target region. To study whether these two requirements are fulfilled motivates this PhD thesis „Semi-quantitative X-ray-tomography examinations of biodistribution of magnetic nanoparticles in biological tissues“. The analysis of the distribution of the magnetic nanoparticles in tumours and other tissue examples is realized by means of X-ray-micro computer tomography (XμCT). The work focuses on the quantification of the magnetic nanoparticles in different biological tissue samples by means of XµCT. A calibration of the tomographic devices with adequate phantoms, developed in the frame of this work, opens now the possibility to analyze tomographic data in a semi-quantitative manner. Thus, the nanoparticle concentration can be allocated voxel-wise to the grey values of the three-dimensional tomographic data. With the help of calibration of the tomography equipments used, polychromatic as well as monochromatic three-dimensional representations of objects can be analyzed with regard to the biodistribution of magnetic nanoparticles as well as with regard to their quantity. The semi-quantitative results have been compared with results obtained with a quantitative measurement method magnetorelaxometry (MRX). Thereby a good agreement of the semi-quantitative and quantitative data has been figured out.