Neuere Studien zeigen, dass pulmonale vaskuläre Erkrankungen aufgrund unterschiedlicher physiologischer Mechanismen gezielt Arterien oder Venen betreffen können. Um Veränderungen in beiden Gefäßbäumen zu detektieren, analysieren Ärzte die thorakalen Computertomographie-(CT-)Bilder der Patienten manuell auf Abweichungen. Dieser Prozess ist zeitaufwendig, schwer standardisierbar und daher für große klinische Studien nicht praktikabel und in der täglichen klinischen Entscheidungsfindung wenig hilfreich. Daher gewinnt die automatische Trennung von Arterien und Venen in CT-Bildern zunehmend an Bedeutung, da sie Ärzten helfen könnte, pathologische Zustände präzise zu diagnostizieren. In diesem Beitrag präsentieren wir einen neuartigen, vollautomatischen Ansatz zur Klassifikation von Gefäßen aus thorakalen CT-Bildern in Arterien und Venen. Der Algorithmus folgt drei Hauptphasen: Zunächst erfolgt eine Skalenraum-Partikelsegmentierung zur Isolierung der Gefäße; anschließend wird ein 3-D-Convolutional Neural Network (CNN) eingesetzt, um eine erste Klassifikation der Gefäße vorzunehmen; schließlich wird eine Optimierung mittels Graph-Cuts zur Verfeinerung der Ergebnisse durchgeführt. Um die Rechtfertigung der vorgeschlagenen CNN-Architektur zu belegen, verglichen wir verschiedene 2-D- und 3-D-CNNs, die unterschiedliche Strategien zur Nutzung lokaler Informationen aus bronchus- und Gefäßverstärkten Bildern anwenden. Zudem wurde der vorgeschlagene CNN-Ansatz mit einem Random-Forests-(RF)-Klassifikator verglichen. Die Methodik wurde an 18 klinischen Fällen mit nichtkontrastverstärkten Thorax-CT-Scans trainiert und evaluiert, wobei die Ergebnisse mit manuellen Klassifikationen verglichen wurden. Der vorgeschlagene Algorithmus erreicht eine Gesamtgenauigkeit von 94 %, was höher ist als die Genauigkeit, die mit anderen CNN-Architekturen und RF erzielt wurde. Die Methode wurde zudem an kontrastverstärkten CT-Scans von Patienten mit chronischer thromboembolischer pulmonaler Hypertonie validiert, um zu demonstrieren, dass das Modell gut auf kontrastverstärkte Modalitäten generalisiert. Der vorgeschlagene Ansatz übertrifft die derzeitigen State-of-the-Art-Methoden und eröffnet den Weg für zukünftige Anwendungen von 3-D-CNNs zur Arterien-/Venen-Klassifikation in CT-Bildern.