Nejčastěji se pro tvorbu takových 3D modelů používají výstupy zobrazovacích technik jako je počítačová tomografie (CT) nebo magnetická rezonance (MRI). Konvenční algoritmy jsou však často založeny především na analýze intenzit pixelů na jednotlivých snímcích. V praxi to může být problematické – medicínské snímky jsou inherentně zašuměné a zároveň mnohdy nepřesně zobrazují rozhraní mezi různými tkáněmi. Výsledkem pak mohou být nepřesné rekonstrukce neodpovídající skutečné anatomii. Dalším omezením moderních metod, zejména těch založených na strojovém učení, je potřeba rozsáhlých trénovacích datasetů s ručně vytvořenými anotacemi. Takové přístupy pak mohou selhávat v situacích, které nebyly v trénovacích datech obsaženy.
Nejistota přítomná v medicínských obrazových datech přirozeně vede k využití metod teorie pravděpodobnosti. Ty umožňují formulaci obecného pravděpodobnostního modelu, ve kterém jsou přímo modelovány parametry určující tvar hranic sledované struktury i nejistota spojená s pozorovanými daty. S využitím bayesovského přístupu lze navíc do modelu zahrnout i v datech neobsaženou informaci o anatomii sledovaných struktur, například o přirozené hladkosti cévních stěn. Hledané parametry modelu jsou následně určeny z dat konkrétního pacienta, čímž vzniká přesný a realistický trojrozměrný model dané anatomické oblasti.
Na Katedře aplikované matematiky se v rámci tohoto přístupu zabýváme vývojem pravděpodobnostních modelů pro rekonstrukci břišní aorty z CT snímků. Výsledný trojrozměrný model cévy následně kolegům z Katedry aplikované mechaniky Fakulty strojní slouží jako podklad pro biomechanické výpočty a simulace a následné hodnocení rizika ruptury aneurysmatu.
