Die computergestützte Verarbeitung dreidimensionaler Bilddaten aus der Computer- oder Magnetresonanztomographie spielt eine immer wichtigere Rolle in der Medizin. So kann die automatische Segmentierung anatomischer Strukturen in den Bilddaten dabei helfen, die Anatomie eines Patienten dreidimensional zu visualisieren und somit Chirurgen bei der Planung verschiedenster Eingriffe zu unterstützen.

Da Organe in medizinischen Bilddaten häufig einen geringen Kontrast zueinander aufweisen und die Bildqualität zudem durch Rauschen oder diverse andere Aufnahmeartefakte beeinträchtigt sein kann, ist die Entwicklung von Segmentierungsverfahren, die sowohl zuverlässig als auch genau arbeiten, äußerst schwierig. Um eine hohe Robustheit zu erreichen, ist eine modellbasierte Segmentierung unabdingbar, bei der etwa Vorwissen über die Form eines Organs in den Segmentierungsprozess eingebunden wird. Die bisherige Forschung hat gezeigt, dass sich insbesondere statistische Formmodelle für die robuste Segmentierung medizinischer Bilder eignen. Bei diesen Modellen wird die typische Form eines Organs aus einer Menge von Trainingsdaten gelernt. Allerdings haben statistische Formmodelle zwei wesentliche Nachteile: Zum einen ist der Aufbau der Modelle relativ aufwändig, und zum anderen werden die Modelle häufig zu restriktiv eingesetzt, so dass die resultierende Segmentierung das Organs nicht genau umrandet. Diese Arbeit adressiert beide Nachteile: Im ersten Teil der Arbeit werden neue Methoden vorgestellt, um Korrespondenzen zwischen Trainingsformen herzustellen, was für den Aufbau von Formmodellen zwingend erforderlich sind. Die entwickelten Methoden umfassen konsistente Parametrisierungsverfahren für Organe mit sphärischer und toroidaler Topologie, sowie ein nicht-rigides Registrierungsverfahren für Organe mit beliebiger Topologie. Der zweite Teil der Arbeit stellt einen neuen Segmentierungsalgorithmus vor, der eine präzise formmodellbasierte Segmentierung ermöglicht. Im Gegensatz zu bestehenden Algorithmen ist das Verfahren in der Lage, neben den sonst üblichen linearen Formmodellen auch nichtlineare Formmodelle zu integrieren, so dass die Formvariation von Organen spezifischer modelliert werden kann.

Das vorgeschlagene Segmentierungsverfahren wird an drei klinischen Problemstellungen evaluiert: Leber- und Wirbelknochensegmentierung in kontrastverstärkten Aufnahmen aus der Computertomographie, sowie Prostatasegmentierung in Aufnahmen aus der Magnetresonanztomographie.