Lung cancer is the leading cause of cancer-related death for both men and women in the United States, despite being the second-most frequent cancer diagnosis for both sexes. This high mortality rate is due to the majority of cases being diagnosed after the primary lung cancer has metastasized. In an effort to reduce mortality associated with lung cancer by diagnosing lung cancer at an earlier stage, screening of high-risk populations has been employed. One screening tool, computed tomography (CT), has been shown to reduce mortality by 20%, compared to screening for lung cancer by chest x-ray. This was achieved by earlier stage diagnosis of lung cancer in participants screened with CT. The use of chest CT in lung cancer screening has also led to increased numbers of false-positives - benign lung nodules that are marked as suspicious for lung cancer. These false-positives result in unnecessary invasive follow-up procedures and costs while incurring additional emotional stress on the patient. In an effort to reduce the number of false-positives, a computer-aided diagnostic (CAD) tool can be designed to determine the probability of malignancy of a lung nodule based on objective measurements. While current CAD models characterize the pulmonary nodule's shape, density, and border, analyzing the parenchyma surrounding the nodule is an area that has been minimally explored. By quantifying characteristics, or features, of the surrounding tissue, this project explores the hypothesis that textural differences in both the nodule and surrounding parenchyma exist between malignant and benign cases. By incorporating these features, performance in the measures of sensitivity, specificity and accuracy can be improved over CAD tools that rely on nodule characteristics alone. A CAD program was developed for the computation of features from a pulmonary nodule. A region of interest containing a nodule and surrounding parenchyma was extracted from a CT scan. Several novel feature extraction techniques were developed, including a three-dimensional application of Laws' Texture Energy Measures to quantify the textures of the parenchyma surrounding the nodule and the nodule itself. In addition, the densities of the nodule and surrounding parenchyma were summarized through metrics such as mean, variance, and entropy of the intensities within each region. Finally, the margins of the nodule were characterized by analyzing mean and variance of border irregularity. A total of 299 features were extracted. To illustrate proof of concept, the CAD program was applied to 27 regions of interest - 10 benign and 17 malignant. Through feature selection, 36 significant features were recognized (p-values < 0.05), including many textural and parenchymal features. These features were further reduced by forward feature selection to two features that summarized the dataset. A neural network was used to classify the cases in a leave-one-out method. Preliminary results yielded 92.6% accuracy in classification of test cases, with two benign nodules incorrectly classified as malignant. The significance of texture and parenchymal features supports the hypothesis that features extracted from the parenchyma have the potential to improve classification of nodules, aiding in the reduction of false-positives identified through CT screening. As more cases are incorporated into the database, these textural features will play a larger role.

Septic pulmonary embolization (SPE) is a rare but serious disorder. It is a well-recognized potential problem in the settings of tricuspid valve endocarditis, septic thrombophlebitis, infected central venous catheters, and postanginal septicemia. Less well documented is the occurrence of SPE in patients with periodontal disease without suppurative thrombophlebitis of the great vessels of the neck. We report a patient with SPE in whom periodontal disease was the only identifiable nidus of infection and review the literature regarding the four other patients reported to have suffered this complication.

Einleitung: Der frühzeitigen Detektion pulmonaler Rundherde kommt eine Schlüsselrolle bei neoplastischen Erkrankungen von Hund und Katze zu, indem sie maßgeblich Prognose und Behandlungsoptionen beeinflusst. Ziel unserer ersten Studie war, die aktuelle diagnostische Wertigkeit und mögliche Limitationen der klassischen Röntgenuntersuchung bei der Detektion pulmonaler Rundherde darzustellen. Unsere zweite Untersuchung beschäftigt sich mit dem Ziel der computerassistierten Detektion (CAD) und deren Einsatz in der Tiermedizin. Material und Methoden: Der Untersuchungszeitraum umfasste die Jahre 2005–2011. In die erste Studie wurden Hunde und Katzen mit pulmonalen Rundherden aufgenommen, an denen zunächst eine klassische Röntgenuntersuchung und anschließend innerhalb von 14 Tagen eine computertomographische Untersuchung (CT) durchgeführt wurde. Neben der Darstellung möglicher Limitationen der klassischen Röntgenuntersuchung wurde auch deren Sensitivität hinsichtlich des Vorliegens pulmonaler Rundherde im Vergleich zur CT als Goldstandard untersucht. Gemäß den Einschlusskriterien wurden 50 Hunde und 20 Katzen in die erste Studie aufgenommen. Die zweite Untersuchung beschäftigt sich mit der Sensitivität eines computerassistierten Detektionssystems sowie dessen möglichen Mehrgewinns für den Radiologen bei der Detektion pulmonaler Rundherde in der Tiermedizin. Darüber hinaus wurden die möglichen Limitationen eines solchen Systems untersucht. In die Untersuchung wurden nicht nur Tiere mit Rundherden eingeschlossen, sondern auch solche mit Massen (Herde größer 3 cm). Ausgeschlossen waren Patienten mit mehr als 50 Rundherden pro Lungenhälfte sowie Rundherde/Massen, die vollständig in Atelektasen eingebettet waren. Gemäß den Einschlusskriterien wurden bei 51 Hunden und 16 Katzen insgesamt 586 Rundherde als Referenzwert für die CAD zugrunde gelegt. Ergebnisse: Als ein Ergebnis aus der vorliegenden ersten Studie zeigt sich für die Projektionsradiographie eine Detektionsrate von insgesamt 61 % (64 % für Hunde und 55 % für Katzen) verglichen mit der CT als Goldstandard. Gründe für eine fehlende Detektion liegen vor allem darin, dass die Röntgenuntersuchung im Ergebnis ein Summationsbild liefert. Daneben spielt auch die Rundherdgröße eine (untergeordnete) Rolle. Das in der zweiten Studie eingesetzte Detektionssystem zur computerassistierten Detektion pulmonaler Rundherde wies für die Tiermedizin eine Sensitivität von 69,4 % auf. Gleichzeitig wurde eine hohe Anzahl falsch positiver sowie falsch negativer Befunde durch die CAD verzeichnet. Dennoch ließ sich durch den Einsatz der CAD die Sensitivität von Untersucher 1 von 89,2 % auf 94,7 % steigern, die von Untersucher 2 von 87,4 % auf 90,8 %. Schlussfolgerungen: Aufgrund der engen Einschlusskriterien dieser Studie kann für die Detektion pulmonaler Rundherde in der Projektionsradiographie als Mindestwert die hier ermittelte durchschnittliche Sensitivität von 61 % zugrunde gelegt werden. Die klassische Röntgenuntersuchung eignet sich weiterhin als erstes bildgebendes Verfahren für die pulmonale Rundherddetektion, für ein genaues Staging sollte allerdings die CT angewandt werden. Für eine fehlende Rundherddetektion war nicht primär die geringe Größe der Rundherde ursächlich, sondern vielmehr Begleiterkrankungen, die mit einer Transparenzminderung der Lunge einhergingen. Daher sollte insbesondere dann die CT zum Einsatz kommen, wenn zusätzliche Veränderungen wie beispielsweise ein Pleuraerguss vorliegen. Für die Detektion pulmonaler Rundherde in der CT-Untersuchung gilt, dass die Sensitivität des Radiologen grundsätzlich durch ein automatisches Detektionssystem gesteigert werden kann. Somit eignet es sich insbesondere dann, wenn kein zweiter radiologischer Befunder vorhanden ist. Allerdings weist die CAD eine sehr hohe Anzahl falsch positiver sowie einige falsch negative Befunde auf, so dass sich für ihren routinemäßigen Einsatz in der Tiermedizin derzeit noch Limitationen ergeben. / Introduction: The early detection of pulmonary nodules plays a key role in neoplastic conditions of dogs and cats substantially influencing prognosis and therapy options. The aim of our first study was to outline the actual diagnostic value as well as the potential limitations of projection radiography for detection of pulmonary nodules. Our second study addresses the newer aspect of computer assisted detection (CAD) and its possible application in veterinary medicine. Materials and methods: The investigation period was between 2005 and 2011. In our first study we included those dogs and cats with pulmonary nodules that underwent a radiographic examination as well as a computed tomographic examination (CT) within a period of 14 days. Aside from the description of possible limitations of projection radiography, we also evaluated its sensitivity for detection of pulmonary nodules compared to CT as gold standard. According to the inclusion criteria 50 dogs and 20 cats were admitted to this study. The second study dealt with the sensitivity of a computer assisted detection system and its potential benefit for radiologists for the detection of pulmonary nodules in veterinary medicine. Furthermore, we outlined possible limitations of the detection system. This study not only comprised dogs and cats with pulmonary nodules, but also those with pulmonary masses (i.e. nodules > 3 cm). We excluded patients with more than 50 nodules either in the right or the left lung as well as nodules/masses embedded in a massive atelectasis. According to our inclusion criteria, we determined 586 nodules in total, distributed on 51 dogs and 16 cats used as reference value for the CAD. Results: As one result of our first study, we found a detection rate of 61 % (64 % for dogs and 55 % for cats) for projection radiography in comparison to CT as gold standard. Reasons for a missing detection of pulmonary nodules are predominantly limitations that come along with superimpositions using projection radiography; apart from that, nodule size is of some subsidiary meaning. The detection system for the computer assisted detection of pulmonary nodules used in the second study showed a sensitivity of 69.4 % in veterinary medicine. Additionally a high number of false positive findings as well as false negative findings was detected by CAD. However, due to the use of CAD the sensitivity of examiner 1 increased from 89.2 % to 94.7 %, the sensitivity of examiner 2 increased from 87.4 % to 90.8 %. Conclusions: Based on the strict inclusion criterion in this study the average sensitivity of 61 % can be used as a minimum for the detection of pulmonary nodules using radiographs. Projection radiography is suitable as first line diagnostic tool for the detection of pulmonary nodules. For accurate tumor staging CT should be used. Since predominant reasons for a missing detection of pulmonary nodules consisted of limitations that come along with superimpositions (like pleural effusion) CT is especially recommended in those cases. In general, the sensitivity of radiologists can be improved by an automatic detection system concerning the detection of pulmonary nodules using CT. Especially in those cases, when no second reader is available, CAD is suitable. However, the CAD system we used herein yielded a high number of false positive findings as well as false negative findings; therefore, its use in veterinary medicine on a routine basis still has some limitations.

京都大学 / 0048 / 新制・論文博士 / 博士(医学) / 乙第13270号 / 論医博第2184号 / 新制||医||1038(附属図書館) / 京都大学大学院医学研究科内科系専攻 / (主査)教授 溝脇 尚志, 教授 平井 豊博, 教授 伊達 洋至 / 学位規則第4条第2項該当 / Doctor of Medical Science / Kyoto University / DFAM

Lung cancer currently has the greatest mortality rate of cancer patients of all sexes in the United States (Torre et al., 2016). Low-dose CT scans are utilized for lung cancer screening in patients who fall within the NLST entry criteria (Sanchez-Salcedo et al., 2015). The original criteria for screening were age over 55 and pack-year over 30, which were recently changed to age 50 and pack-year over 20 in 2021. The study population in this paper utilized the original criteria. A system developed and copyrighted by the American College of Radiology (ACR) referred to as the Lung CT Screening Reporting and Data System (Lung-RADS) has implemented a standardized method of classifying and interpreting lung cancer chest CT screening results. Lung-RADS has a scoring system which is scaled 1 – 4x (Pinsky et al., 2015) The likelihood of malignancy based on nodule appearance, diameter, and presence of growth comprise the components of which score is given (Chung et al., 2017). Lung-RADS 2 scored nodules are benign nodules and patients follow up for another CT in a year. Lung-RADS 3 nodules are probably benign nodules; however, they do have a low-risk of malignancy. It is known that a select few of these relatively benign appearing nodules will turn out to be malignant. Lung-RADS 4 nodules have a >5% chance of malignancy and can be confirmed through pathology. In this project, a retrospective chart review analyzing patient demographics and pulmonary health history will be correlated to lung-RADS risk likelihood of malignancy. Machine learning will also be utilized to study and analyze radiographic factors associated with the sample. The CT scans of patients who previously scored in an intermediate category will be compiled and analyzed to determine potential common demographical, clinical and radiomic factors which will hopefully allow intermediately categorized nodule indicators to be used to detect cancers earlier and to more accurately classify lesions into benign or malignant categories. In all, the goal of this research is to determine common clinical, demographic and radiomic factors of patients who were deemed intermediate risk and then progressed to a higher categorization. The importance of expanding current risk factors for discrimination of benign from malignant will also be analyzed, along with those specific risk-factors within Lung-RADS intermediately categorized nodules. The characteristics and baseline co-morbidities of RADS 2 and 3 lung cancer patients by follow-up CT results, progression to RADS-4 on follow-up CT and lung cancer diagnosis will be compiled and exemplified.

Object detection on natural images has become a single-stage end-to-end process thanks to recent breakthroughs on deep neural networks. By contrast, automated pulmonary nodule detection is usually a three steps method: lung segmentation, generation of nodule candidates and false positive reduction. This project tackles the nodule detection problem with a single stage modelusing a deep neural network. Pulmonary nodules have unique shapes and characteristics which are not present outside of the lungs. We expect the model to capture these characteristics and to only focus on elements inside the lungs when working on raw CT scans (without the segmentation). Nodules are small, distributed and infrequent. We show that a well trained deep neural network can spot relevantfeatures and keep a low number of region proposals without any extra preprocessing or post-processing. Due to the visual nature of the task, we designed a three-dimensional convolutional neural network with residual connections. It was inspired by the region proposal network of the Faster R-CNN detection framework. The evaluation is performed on the LUNA16 dataset. The final score is 0.826 which is the average sensitivity at 0.125, 0.25, 0.5, 1, 2, 4, and 8 false positives per scan. It can be considered as an average score compared to other submissions to the challenge. However, the solution described here was trained end-to-end and has fewer trainable parameters. / Objektdetektering i naturliga bilder har reducerates till en enstegs process tack vare genombrott i djupa neurala nätverk. Automatisk detektering av pulmonella nodulärer är vanligtvis ett trestegsproblem: segmentering av lunga, generering av nodulärkandidater och reducering av falska positiva utfall. Det här projektet tar sig an nodulärdetektering med en enstegsmodell med hjälp av ett djupt neuralt nätverk. Pulmonella nodulärer har unika karaktärsdrag som inte finns utanför lungorna. Modellen förväntas fånga dessa drag och enbart fokusera på element inuti lungorna när den arbetar med datortomografibilder. Nodulärer är små och glest föredelade. Vi visar att ett vältränat nätverk kan finna relevanta särdrag samt föreslå ett lågt antal intresseregioner utan extra för- eller efter- behandling. På grund av den visuella karaktären av det här problemet så designade vi ett tredimensionellt s.k. convolutional neural network med residualkopplingar. Projektet inspirerades av Faster R-CNN, ett nätverk som utmärker sig i sin förmåga att detektera intresseregioner. Nätverket utvärderades på ett dataset vid namn LUNA16. Det slutgiltiga nätverket testade 0.826, vilket är genomsnittlig sensitivitet vid 0.125, 0.25, 0.5, 1, 2, 4, och 8 falska positiva per utvärdering. Detta kan anses vara genomsnittligt jämfört med andra deltagande i tävlingen, men lösningen som föreslås här är en enstegslösning som utför detektering från början till slut och har färre träningsbara parametrar. / La détection d’objets sur les images naturelles est devenue au fil du temps un processus réalisé de bout en bout en une seule étape grâce aux évolutions récentes des architectures de neurones artificiels profonds. En revanche, la détection automatique de nodules pulmonaires est généralement un processus en trois étapes : la segmentation des poumons (pré-traitement), la génération de zones d’intérêt (modèle) et la réduction des faux positifs (post-traitement). Ce projet s’attaque à la détection des nodules pulmonaires en une seule étape avec un réseau profond de neurones artificiels. Les nodules pulmonaires ont des formes et des structures uniques qui ne sont pas présentes en dehors de cet organe. Nous nous attendons à ce qu’un modèle soit capable de capturer ces caractéristiques et de se focaliser uniquement sur les éléments à l’intérieur des poumons alors même qu’il reçoit des images brutes (sans segmentation des poumons). Les nodules sont petits, peu fréquents et répartis aléatoirement. Nous montrons qu’un modèle correctement entraîné peut repérer les éléments caractéristiques des nodules et générer peu de localisations sans pré-traitement ni post-traitement. Du fait de la nature visuelle de la tâche, nous avons développé un réseau neuronal convolutif tridimensionnel. L’architecture utilisée est inspirée du méta-algorithme de détection Faster R-CNN. L’évaluation est réalisée avec le jeu de données du challenge LUNA16. Le score final est de 0.826 qui représente la sensibilité moyenne pour les valeurs de 0.125, 0.25, 0.5, 1, 2, 4 et 8 faux positifs par scanner. Il peut être considéré comme un score moyen comparé aux autres contributions du challenge. Cependant, la solution décrite montre la faisabilité d’un modèle en une seule étape, entraîné de bout en bout. Le réseau comporte moins de paramètres que la majorité des solutions.

No description available.

Einleitung: Der frühzeitigen Detektion pulmonaler Rundherde kommt eine Schlüsselrolle bei neoplastischen Erkrankungen von Hund und Katze zu, indem sie maßgeblich Prognose und Behandlungsoptionen beeinflusst. Ziel unserer ersten Studie war, die aktuelle diagnostische Wertigkeit und mögliche Limitationen der klassischen Röntgenuntersuchung bei der Detektion pulmonaler Rundherde darzustellen. Unsere zweite Untersuchung beschäftigt sich mit dem Ziel der computerassistierten Detektion (CAD) und deren Einsatz in der Tiermedizin. Material und Methoden: Der Untersuchungszeitraum umfasste die Jahre 2005–2011. In die erste Studie wurden Hunde und Katzen mit pulmonalen Rundherden aufgenommen, an denen zunächst eine klassische Röntgenuntersuchung und anschließend innerhalb von 14 Tagen eine computertomographische Untersuchung (CT) durchgeführt wurde. Neben der Darstellung möglicher Limitationen der klassischen Röntgenuntersuchung wurde auch deren Sensitivität hinsichtlich des Vorliegens pulmonaler Rundherde im Vergleich zur CT als Goldstandard untersucht. Gemäß den Einschlusskriterien wurden 50 Hunde und 20 Katzen in die erste Studie aufgenommen. Die zweite Untersuchung beschäftigt sich mit der Sensitivität eines computerassistierten Detektionssystems sowie dessen möglichen Mehrgewinns für den Radiologen bei der Detektion pulmonaler Rundherde in der Tiermedizin. Darüber hinaus wurden die möglichen Limitationen eines solchen Systems untersucht. In die Untersuchung wurden nicht nur Tiere mit Rundherden eingeschlossen, sondern auch solche mit Massen (Herde größer 3 cm). Ausgeschlossen waren Patienten mit mehr als 50 Rundherden pro Lungenhälfte sowie Rundherde/Massen, die vollständig in Atelektasen eingebettet waren. Gemäß den Einschlusskriterien wurden bei 51 Hunden und 16 Katzen insgesamt 586 Rundherde als Referenzwert für die CAD zugrunde gelegt. Ergebnisse: Als ein Ergebnis aus der vorliegenden ersten Studie zeigt sich für die Projektionsradiographie eine Detektionsrate von insgesamt 61 % (64 % für Hunde und 55 % für Katzen) verglichen mit der CT als Goldstandard. Gründe für eine fehlende Detektion liegen vor allem darin, dass die Röntgenuntersuchung im Ergebnis ein Summationsbild liefert. Daneben spielt auch die Rundherdgröße eine (untergeordnete) Rolle. Das in der zweiten Studie eingesetzte Detektionssystem zur computerassistierten Detektion pulmonaler Rundherde wies für die Tiermedizin eine Sensitivität von 69,4 % auf. Gleichzeitig wurde eine hohe Anzahl falsch positiver sowie falsch negativer Befunde durch die CAD verzeichnet. Dennoch ließ sich durch den Einsatz der CAD die Sensitivität von Untersucher 1 von 89,2 % auf 94,7 % steigern, die von Untersucher 2 von 87,4 % auf 90,8 %. Schlussfolgerungen: Aufgrund der engen Einschlusskriterien dieser Studie kann für die Detektion pulmonaler Rundherde in der Projektionsradiographie als Mindestwert die hier ermittelte durchschnittliche Sensitivität von 61 % zugrunde gelegt werden. Die klassische Röntgenuntersuchung eignet sich weiterhin als erstes bildgebendes Verfahren für die pulmonale Rundherddetektion, für ein genaues Staging sollte allerdings die CT angewandt werden. Für eine fehlende Rundherddetektion war nicht primär die geringe Größe der Rundherde ursächlich, sondern vielmehr Begleiterkrankungen, die mit einer Transparenzminderung der Lunge einhergingen. Daher sollte insbesondere dann die CT zum Einsatz kommen, wenn zusätzliche Veränderungen wie beispielsweise ein Pleuraerguss vorliegen. Für die Detektion pulmonaler Rundherde in der CT-Untersuchung gilt, dass die Sensitivität des Radiologen grundsätzlich durch ein automatisches Detektionssystem gesteigert werden kann. Somit eignet es sich insbesondere dann, wenn kein zweiter radiologischer Befunder vorhanden ist. Allerdings weist die CAD eine sehr hohe Anzahl falsch positiver sowie einige falsch negative Befunde auf, so dass sich für ihren routinemäßigen Einsatz in der Tiermedizin derzeit noch Limitationen ergeben.:Inhaltsverzeichnis 1 EINLEITUNG 1 2 LITERATURÜBERSICHT 3 2.1 Neoplasien der Lunge bei Hund und Katze 3 2.2 Bildgebende Diagnostik bei pulmonalen Neoplasien 7 2.2.1 Definition des pulmonalen Rundherdes 13 2.2.2 Detektion von pulmonalen Rundherden in der Projektionsradiographie 15 2.2.3 Detektion von pulmonalen Rundherden in der CT-Untersuchung 17 2.2.4 Stellenwert der computerassistierten Detektion zur Erkennung pulmonaler Rundherde 18 3 PUBLIKATIONEN 20 3.1 Vergleich von Projektionsradiographie und Computertomographie zur Detektion pulmonaler Rundherde bei Hund und Katze 20 3.2 CT-Untersuchungen zur computerassistierten Detektion von pulmonalen Rundherden bei Hund und Katze 28 4 DISKUSSION 36 4.1 Diskussion der Methodik 36 4.2 Diskussion der Ergebnisse 45 5 ZUSAMMENFASSUNG 50 6 SUMMARY 52 7 LITERATURVERZEICHNIS 54 / Introduction: The early detection of pulmonary nodules plays a key role in neoplastic conditions of dogs and cats substantially influencing prognosis and therapy options. The aim of our first study was to outline the actual diagnostic value as well as the potential limitations of projection radiography for detection of pulmonary nodules. Our second study addresses the newer aspect of computer assisted detection (CAD) and its possible application in veterinary medicine. Materials and methods: The investigation period was between 2005 and 2011. In our first study we included those dogs and cats with pulmonary nodules that underwent a radiographic examination as well as a computed tomographic examination (CT) within a period of 14 days. Aside from the description of possible limitations of projection radiography, we also evaluated its sensitivity for detection of pulmonary nodules compared to CT as gold standard. According to the inclusion criteria 50 dogs and 20 cats were admitted to this study. The second study dealt with the sensitivity of a computer assisted detection system and its potential benefit for radiologists for the detection of pulmonary nodules in veterinary medicine. Furthermore, we outlined possible limitations of the detection system. This study not only comprised dogs and cats with pulmonary nodules, but also those with pulmonary masses (i.e. nodules > 3 cm). We excluded patients with more than 50 nodules either in the right or the left lung as well as nodules/masses embedded in a massive atelectasis. According to our inclusion criteria, we determined 586 nodules in total, distributed on 51 dogs and 16 cats used as reference value for the CAD. Results: As one result of our first study, we found a detection rate of 61 % (64 % for dogs and 55 % for cats) for projection radiography in comparison to CT as gold standard. Reasons for a missing detection of pulmonary nodules are predominantly limitations that come along with superimpositions using projection radiography; apart from that, nodule size is of some subsidiary meaning. The detection system for the computer assisted detection of pulmonary nodules used in the second study showed a sensitivity of 69.4 % in veterinary medicine. Additionally a high number of false positive findings as well as false negative findings was detected by CAD. However, due to the use of CAD the sensitivity of examiner 1 increased from 89.2 % to 94.7 %, the sensitivity of examiner 2 increased from 87.4 % to 90.8 %. Conclusions: Based on the strict inclusion criterion in this study the average sensitivity of 61 % can be used as a minimum for the detection of pulmonary nodules using radiographs. Projection radiography is suitable as first line diagnostic tool for the detection of pulmonary nodules. For accurate tumor staging CT should be used. Since predominant reasons for a missing detection of pulmonary nodules consisted of limitations that come along with superimpositions (like pleural effusion) CT is especially recommended in those cases. In general, the sensitivity of radiologists can be improved by an automatic detection system concerning the detection of pulmonary nodules using CT. Especially in those cases, when no second reader is available, CAD is suitable. However, the CAD system we used herein yielded a high number of false positive findings as well as false negative findings; therefore, its use in veterinary medicine on a routine basis still has some limitations.:Inhaltsverzeichnis 1 EINLEITUNG 1 2 LITERATURÜBERSICHT 3 2.1 Neoplasien der Lunge bei Hund und Katze 3 2.2 Bildgebende Diagnostik bei pulmonalen Neoplasien 7 2.2.1 Definition des pulmonalen Rundherdes 13 2.2.2 Detektion von pulmonalen Rundherden in der Projektionsradiographie 15 2.2.3 Detektion von pulmonalen Rundherden in der CT-Untersuchung 17 2.2.4 Stellenwert der computerassistierten Detektion zur Erkennung pulmonaler Rundherde 18 3 PUBLIKATIONEN 20 3.1 Vergleich von Projektionsradiographie und Computertomographie zur Detektion pulmonaler Rundherde bei Hund und Katze 20 3.2 CT-Untersuchungen zur computerassistierten Detektion von pulmonalen Rundherden bei Hund und Katze 28 4 DISKUSSION 36 4.1 Diskussion der Methodik 36 4.2 Diskussion der Ergebnisse 45 5 ZUSAMMENFASSUNG 50 6 SUMMARY 52 7 LITERATURVERZEICHNIS 54