Incorporating shape information is essential for the delineation of many organs and anatomical structures in medical images. While previous work has mainly focused on parametric spatial transformations applied on reference template shapes, in this paper, we address the Bayesian inference of parametric shape models for segmenting medical images with the objective to provide interpretable results. The proposed framework defines a likelihood appearance probability and a prior label probability based on a generic shape function through a logistic function. A reference length parameter defined in the sigmoid controls the trade-off between shape and appearance information. The inference of shape parameters is performed within an Expectation-Maximisation approach where a Gauss-Newton optimization stage allows to provide an approximation of the posterior probability of shape parameters. This framework is applied to the segmentation of cochlea structures from clinical CT images constrained by a 10 parameter shape model. It is evaluated on three different datasets, one of which includes more than 200 patient images. The results show performances comparable to supervised methods and better than previously proposed unsupervised ones. It also enables an analysis of parameter distributions and the quantification of segmentation uncertainty including the effect of the shape model.

中文翻译：

---

贝叶斯逻辑形状模型推断：在耳蜗图像分割中的应用

整合形状信息对于在医学图像中描绘许多器官和解剖结构至关重要。虽然先前的工作主要集中在应用于参考模板形状的参数空间变换上，但在本文中，我们讨论了用于分割医学图像的参数形状模型的贝叶斯推断，目的是提供可解释的结果。所提出的框架基于通用形状函数通过逻辑函数定义似然出现概率和先验标记概率。在S形中定义的参考长度参数控制形状和外观信息之间的权衡。形状参数的推断是在Expectation-Maximization方法中执行的，其中Gauss-Newton优化阶段允许提供形状参数的后验概率的近似值。该框架适用于由10参数形状模型约束的临床CT图像中的耳蜗结构分割。在三个不同的数据集上进行评估，其中一个数据集包括200多个患者图像。结果表明，其性能可与监督方法相媲美，并且优于先前提出的无监督方法。它还可以分析参数分布并量化分段不确定性，包括形状模型的影响。该框架适用于由10参数形状模型约束的临床CT图像中的耳蜗结构分割。在三个不同的数据集上进行评估，其中一个数据集包括200多个患者图像。结果表明，其性能可与监督方法相媲美，并且优于先前提出的无监督方法。它还可以分析参数分布并量化分段不确定性，包括形状模型的影响。该框架适用于由10参数形状模型约束的临床CT图像中的耳蜗结构分割。在三个不同的数据集上进行评估，其中一个数据集包括200多个患者图像。结果表明，其性能可与监督方法相媲美，并且优于先前提出的无监督方法。它还可以分析参数分布并量化分段不确定性，包括形状模型的影响。