Faltungsschichtneuronale Netze (CNNs) werden neuerdings zur Lösung von Problemen sowohl im Bereich der Computer Vision als auch der medizinischen Bildanalyse eingesetzt. Trotz ihrer Beliebtheit sind die meisten Ansätze nur in der Lage, 2D-Bilder zu verarbeiten, während die meisten in der klinischen Praxis verwendeten medizinischen Daten aus 3D-Volumen bestehen. In dieser Arbeit schlagen wir einen Ansatz zur Segmentierung von 3D-Bildern vor, der auf einem volumnetrischen, vollständig faltenden Neuronalen Netz basiert. Unser CNN wird end-to-end anhand von MRI-Volumen des Prostata trainiert und lernt, die Segmentierung für das gesamte Volumen gleichzeitig vorherzusagen. Wir führen eine neuartige Zielfunktion ein, die auf dem Dice-Koeffizienten basiert und während des Trainings optimiert wird. Auf diese Weise können wir Situationen bewältigen, in denen es eine starke Ungleichgewicht zwischen der Anzahl der Vordergrund- und Hintergrundvoxel gibt. Um mit der begrenzten Anzahl von für das Training verfügbaren annotierten Volumen umzugehen, erweitern wir die Daten durch die Anwendung zufälliger nichtlinearer Transformationen und Histogrammabgleichsverfahren. Unsere experimentelle Auswertung zeigt, dass unser Ansatz bei herausfordernden Testdaten gute Leistungen erzielt und dabei nur einen Bruchteil der Verarbeitungszeit benötigt, die andere frühere Methoden erfordern.