Among all types of cancer, lung cancer (LC) is one of the most common of all malignancies, presenting a growth of 2% in its worldwide expansion. In Brazil, for the year 2018, 31,270 new LC cases are estimated, of which 18,740 are in men and 12,530 in women. This is important to prevent the diagnosis and increase the chances of cure. In such diseases, the Computed Tomography (CT) scan of the Thorax contains information from the 3D segmentation of the lungs helping its early diagnosis. Different methods have been developed for the 3D lung segmentation, however, they mostly present problems when there are diseases such as LC or other structures present inside the lungs. In this thesis, a new 3D algorithm is proposed, which uses a force composition in the RGB space and then initializes the labels and seeds that evolve interactively until they stabilize. In addition, a new 3D automatic initialization method for lung segmentation in CT images is also proposed. The tests were performed for 3D segmentation in synthetic images (cylinder, doublecone, cube and sphere) and images CT scans of the thorax. In the tests of the synthetic images are introduced noises to evaluate, based on the position adjustment and the Dice similarity coefficient, the 3D segmentation capacity and robustness of the method, compared to other methods found in the researched literature. In this type of images, the results obtained showed that the 3D Autocut algorithm has the best results for both low noise and high noise images with position adjustment measures and Dice coefficient above 0.95. The tests for thoracic CT images, based on the metrics Dice similarity coefficient, position adjustment, shape and size adjustments, use 15 exams in the apex, hilo and base positions of healthy and pathological patients. The 3D segmentation result, based on the 3D Autocut method, as well as the use of the proposed initialization, also produces superior results in 93.3% of the exams when comparing the final form of segmentation and Dice Similarity. The main contributions are the Autocut 3D algorithms and the automatic seed initialization algorithm. Entre todos os tipos de câncer, o de pulmão (CP) é um dos mais comuns de todos os tumores malignos, apresentando aumento de 2% por ano na sua incidência mundial. No Brasil, para o ano de 2018 são estimados 31.270 casos novos de CP, sendo destes 18.740, em homens e 12.530 em mulheres. Neste contexto, é de fundamental importância para saúde pública se ter um diagnóstico precoce e preciso para detectar os estágios reais das doenças pulmonares, bem como para aumentar as chances de cura. Em tais doenças, o exame de Tomografia Computadorizada (TC) do Tórax contém muitas informações para seu diagnóstico precoce para tanto, a segmentação 3D dos pulmões, é fundamental. Muitos métodos foram desenvolvidos para a segmentação 3D dos pulmões, entretanto, em sua maioria apresentam problemas quando há presença de doenças, tais como CP ou mesmo outras estruturas presentes no interior dos pulmões. Na direção de resolver este problema, nesta tese é proposto um novo algoritmo baseado em autômatos 3D que utiliza uma composição de forças no espaço RGB e em seguida é realiza a inicialização dos rótulos e sementes que evoluem de forma interativa até se estabilizarem. Além disso, um método de inicialização automática 3D para segmentação de pulmões em imagens de TC também é proposto. Os testes são realizados para a segmentação 3D em imagens sintéticas (cilindro, duplocone, cubo e esfera) e imagens exames de TC do tórax. Nos testes das imagens sintéticas são introduzidos ruídos para avaliar, com base no ajuste de posição e no coeficiente de similaridade Dice, a capacidade e robustez de segmentação 3D do método proposto, comparado a outros métodos encontrados na literatura pesquisada. Neste tipo de imagens, os resultados obtidos comprovaram que o algoritmo 3D Autocut os melhores resultados para imagens tanto para baixo nível de ruído, quanto com alto nível de ruído, com medidas de ajuste de posição e coeficiente Dice acima de 0.95. Os testes para imagens de TC do tórax, baseados nas métricas coeficiente de similaridade Dice, ajuste de posição, ajustes de forma e de tamanho, são utilizados 15 exames, nas posições ápice, hilo e base, de pacientes voluntários saudáveis e com patologia. Os resultados da segmentação 3D, baseado no método 3D Autocut, bem como a utilização da inicialização proposta, também produz resultados superiores, em relação aos demais métodos avaliados, em 93,3% dos exames, quando comparando a forma final da segmentação e a similaridade Dice. As principais contribuições são os algoritmos 3D Autocut e o de inicialização automática das sementes.