The initial stage of a lung examination involves the segmentation of a CT image, a process that has been put under a lot of pressure with the high demand for chest scans and accurate segmentations. Current automatic segmentation algorithms are either non-robust for different datasets, not easily accessible, or time-consuming. Furthermore, classification of lung diseases such as IPF and NSIP is a difficult task often requiring decision-making between pathologists, radiologists and clinicians to make an accurate prognosis.  Therefore, this thesis aims to create two algorithms easily accessible through a common medical software, 3D Slicer, with simple user interfaces for more efficient lung analysis. The first one is a fully automatic segmentation algorithm with a manual adjustment option. It is robust and developed on a diverse dataset, demonstrating a high accuracy with a median Dice score of0,967. The second one is a lung vessel tree morphometry algorithm which computes various parameters correlated to the vessel tree and its structure, providing insight into morphological changes. It shows great usability but has certain limitations, making it not entirely finished for clinical research but acts as an excellent starting point for a future project. The segmentation algorithm was developed using classical image processing techniques making it comprehensible. The distinctive feature of this algorithm is the entropy map used, enabling an effective way in distinguishing between the fibrotic regions of the lungs with surrounding soft tissue and therefore increasing its applicability on lungs with various diseases. The lung vessel tree morphometry algorithm utilized a segmentation of the lung vessels to organize them into a tree-like structure. The structure was divided into branches where each branch was used to calculate different parameters such as its level within the tree hierarchy, the length of the branch and more. These parameters were displayed and color-coded for further analysis. The obtained result underscores the substantial potential and importance of these developed algorithms for clinical research by providing user-friendly, robust and reliable methods. / Det inledande skedet av en lungundersökning involverar segmenteringen av en CT-bild, en process som har satts under mycket press på grund utav den höga efterfrågan på bröstskanningar och noggrann segmentering. Aktuella automatiska segmenteringsalgoritmer är antingen icke-robusta för olika dataset, ej lättillgängliga eller tidskrävande. Dessutom är klassificering av lungsjukdomar som IPF och NSIP en svår uppgift som ofta kräver beslutsfattande mellan patologer, radiologer och kliniker för att göra en korrekt prognos. Därför syftar denna rapport till att skapa två lättillgängliga algoritmer genom en ofta användmedicinsk programvara, 3D Slicer, bestående utav enkla användargränssnitt för en effektivare analys av lungorna. Den första är en helautomatisk segmenteringsalgoritm med ett manuellt justeringsalternativ. Den är robust och utvecklad på ett mångsidigt dataset som har demonstrerat en hög noggrannhet med en median Dice-score på 0,967. Den andra är en morfometri algoritm för lungkärlsträd som beräknar olika parametrar korrelerade till kärlträdet och dess struktur, vilket ger insikt i morfologiska förändringar. Den visar stor användbarhet men innehåller begränsningar, vilket gör den ej helt färdig för klinisk forskning utan fungerar som en utmärkt utgångspunkt för framtida arbete. Segmenteringsalgoritmen utvecklades med hjälp av klassiska bildbehandlingsmetoder vilket gör den mer lättförstådd. Det utmärkande för denna algoritm är entropikartan som används, vilket möjliggör ett effektivt sätt att skilja mellan de fibrotiska regionerna i lungorna med omgivande mjukdelar, detta gör den mer användbar på lungor med olika sjukdomar. Algoritmen för lungkärlsträdets morfometri använde en segmentering av lungkärlen för att sedanorganiseras i en trädliknande struktur. Strukturen var uppdelad i grenar där varje gren användes för att beräkna olika parametrar såsom dess nivå inom trädhierarkin, grenens längd med mera. Dessutom uppvisades dessa parametrar och färgkodades för vidare analys. Det erhållna resultatet understryker den substantiella potential och betydelse som dessa utvecklade algoritmer kommer att ha i klinisk forskning genom att tillhandahålla användarvänliga, robusta och pålitliga metoder