Even with the recent advances of deep learning pushing the field of medical image analysis further than ever before, progress is still slow due to limited availability of annotated data. There are multiple reasons for this, but perhaps the most prominent one is the amount of time manual annotation of medical images takes. In this project a semi-automated algorithm is proposed, approaching the segmentation problem in a slice by slice manner utilising the prediction of a previous slice as a prior for the next. This both allows the algorithm to segment entirely new cases and gives the user the ability to correct faulty slices, propagating the correction throughout. Results on par with current state of the art is achieved within the domain of the training data. In addition to this, cases outside of the training domain can also be segmented with some accuracy, paving the way for further improvement. The strategy for training the network to utilise auxiliary input lies in the heavy online data augmentation, forcing the network to rely on the provided prior. / Trots att framstegen inom djupinlärning banar vägen för medicinsk bildanalys snabbare än någonsin så finns det ett stort problem, mängden annoterad bilddata. Det har bland annat att göra med att medicinsk bilddata tar väldigt lång tid att annotera manuellt. I detta projektet har en semi-automatisk algoritm utvecklats som tar sig an 3D-segmentering från ett 2D-perspektiv. En bildvolym segmenteras genom att en initialiseringbild annoteras manuellt och används som hjälp för att annotera närliggande bilder i volymen. Detta upprepas sedan för resterande bilder men istället för att manuellt annotera används föregående segmentering av närverket som hjälp. Detta tillåter att algoritmen både kan generalisera till helt nya fall som ej är representerade av träningsdatan, och gör även att felaktigt segmenterade bilder kan korrigeras i efterhand. Korrigeringar kommer då att propageras genom volymen genom att varje segmentering används som hjälp för nästkommande bild. Resultaten är i nivå med motsvarande helautomatiska algoritmer inom träningsdomänen. Den största fördelen gentemot dessa är möjligheten att segmentera helt nya fall. Metoden som används för att träna nätverket att förlita sig på hjälpbilder bygger på kraftig bilddistortion av bilden som ska segmenteras. Detta tvingar nätverket att ta vara på informationen i segmenteringen av föregående bild.