A carregar...
Publicação
A Computational and Deep Learning Framework for Fluid-Structure Interaction in Ascending Thoracic Aortic Aneurysms
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 3.8 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
According to the World Health Organization (WHO), cardiovascular diseases are the
leading cause of death worldwide. Among them, Ascending Thoracic Aortic Aneurysms
(ATAAs) have an incidence of 6-10 per 100,000 people per year. Their progression is
usually asymptomatic and may lead to fatal events, such as rupture or dissection. Clinical
guidelines rely on a geometric criterion to assess risk, but this often fails to predict rupture
accurately for all patients, highlighting the need for more robust diagnostic tools.
Numerical models have emerged as a promising tool to support the diagnosis and
treatment of ATAAs. Simulating the behaviour of complex systems enables the development of patient-specific virtualizations, providing additional information for clinical
decision-making. The literature highlights several approaches, with Computational Fluid
Dynamics (CFD), Computational Solid Mechanics (CSM), and Fluid-Structure Interaction
(FSI) being the most common. Among these, FSI is considered the gold standard. However,
its clinical use remains limited due to: (i) the difficulty of building fully patient-specific
models; (ii) high computational cost; and (iii) lack of validation against robust datasets.
This thesis addresses the second limitation by asking: “Which numerical approaches
offer the best trade-off between accuracy and computational cost?”. First, the impact of
different prestressing methods in FSI simulations was evaluated. Then, FSI results were
compared with more straightforward approaches. Finally, a surrogate model of aortic
wall mechanics was developed by combining Deep Neural Networks (DNNs) with CSM
simulations.
The aortic wall remains under stress throughout the cardiac cycle. Therefore, its
reference configuration is not directly available in medical images. To overcome this,
algorithms such as Zero Pressure Geometry (ZPG) and Prestress Tensor (PT) are commonly
used. PT produced pressure fields consistent with ZPG but estimated a stiffer mechanical
response. Incorporating regional material properties improved agreement with ZPG in
terms of maximum stresses and strains.
As ATAA progresses and stiffness increases, the relevance of FSI decreases. Simpler
approaches, such as Reduced Order Models (ROM) and CSM, become suitable alternatives
due to their lower computational cost. All methods produced similar pressure fields.
However, for estimating Wall Shear Stress (WSS), FSI remained the most reliable. For wall
mechanics, coupling CSM with boundary conditions derived from ROM yielded results
close to FSI.
Surrogate models have been proposed to reduce the computational burden of simulations. Artificial Intelligence (AI)-based methods have shown promising results in
biomechanical modeling. In this work, a DNN was successfully trained using CSM simulation data. The model received as input information on aneurysm anatomy, material
properties, and pressure fields, and was able to predict the spatial distribution of stresses
and strains with an accuracy above 90 %.
The results of this thesis contribute to bridging the gap between biomechanical modeling and clinical practice. By comparing numerical strategies and introducing efficient
frameworks, this work identifies potential solutions for integrating patient-specific biomechanical analysis into clinical workflows. The proposed methodologies may improve
risk stratification and treatment planning of ATAAs, supporting a more personalized cardiovascular approach.
De acordo com a Organização Mundial da Saúde (WHO), as doenças cardiovasculares são a principal causa de morte no mundo. Entre estas, os Aneurismas da Aorta Torácica Ascendente (ATAAs) têm uma incidência de 6-10 por 100000 pessoas por ano. A progressão é geralmente assintomática e pode originar eventos fatais, como a rutura ou disseção. As diretrizes clínicas recorrem a um critério geométrico para avaliar o risco, mas este falha em prever com precisão a rutura em todos os pacientes, evidenciando a necessidade de ferramentas de diagnóstico mais robustas. Modelos numéricos surgiram como uma solução promissora para apoiar o diagnóstico e tratamento de ATAA. A simulação do comportamento de sistemas complexos permite criar virtualizações específicas do paciente, oferecendo informação adicional para a decisão clínica. A literatura mostra várias abordagens, destacando-se Dinâmica dos Fluídos Computacional (CFD), Mecânica dos Sólidos Computacional (CSM) e Interação Fluído- Estrutura (FSI). Entre estas, FSI é considerada o gold standard. Contudo, a sua aplicação clínica é limitada por três fatores: (i) dificuldade em obter modelos totalmente específicos do paciente; (ii) tempos de computação elevados; e (iii) falta de validação contra bases de dados robustas. Esta tese aborda a segunda limitação, investigando: “Quais são as abordagens numéricas que oferecem melhor compromisso entre precisão e custo computacional?”. Inicialmente, avaliou-se o impacto de diferentes metodologias de pré-tensão em simulações FSI. Depois, os resultados de FSI foram comparados com abordagens mais leves. Por fim, foi desenvolvido um modelo substituto da mecânica da parede da aorta, combinando Redes Neuronais Profundas (DNNs) e simulações CSM. A parede da aorta encontra-se sobre tensão ao longo do ciclo cardíaco. Assim, a configuração de referência não é observável em imagens médicas. Para ultrapassar esta limitação usam-se algoritmos como Zero Pressure Geometry (ZPG) e Prestress Tensor (PT). O uso de PT produziu campos de pressão semelhantes a ZPG, mas estimou uma resposta mais rígida da parede. A introdução de propriedades regionais melhorou a concordância com ZPG em termos de tensão e extensão máximas. À medida que o ATAA progride e a rigidez aumenta, a relevância da FSI diminui. Abordagens mais simples, como Modelos de Ordem Reduzida (ROM) e CSM, tornam-se alternativas adequadas pelo menor custo computacional. Todas estas produziram campos de pressão semelhantes. No entanto, para estimar as Tensões de Corte na Parede (WSS), FSI manteve-se a melhor opção. Para a resposta mecânica da parede, acoplar CSM com condições de fronteira de ROM gerou resultados próximos de FSI. Modelos substitutos têm sido propostos para reduzir custos de simulação. Abordagens de Inteligência Artificial (AI) têm mostrado bons resultados na modelação biomecânica. Neste trabalho, foi treinado um modelo baseado numa DNN com dados de simulações CSM. O modelo recebeu como entrada informações sobre anatomia, propriedades materiais e campo de pressões, prevendo a distribuição espacial de tensões e extensões com uma taxa de acerto superior a 90 %. Os resultados contribuem para aproximar a modelação biomecânica da prática clínica. Através da comparação de estratégias numéricas e da introdução de frameworks eficientes, identificam-se soluções para integrar a análise específica do paciente em fluxos clínicos. As metodologias propostas têm potencial para melhorar a estratificação do risco e o planeamento do tratamento de ATAA, apoiando uma abordagem mais personalizada.
De acordo com a Organização Mundial da Saúde (WHO), as doenças cardiovasculares são a principal causa de morte no mundo. Entre estas, os Aneurismas da Aorta Torácica Ascendente (ATAAs) têm uma incidência de 6-10 por 100000 pessoas por ano. A progressão é geralmente assintomática e pode originar eventos fatais, como a rutura ou disseção. As diretrizes clínicas recorrem a um critério geométrico para avaliar o risco, mas este falha em prever com precisão a rutura em todos os pacientes, evidenciando a necessidade de ferramentas de diagnóstico mais robustas. Modelos numéricos surgiram como uma solução promissora para apoiar o diagnóstico e tratamento de ATAA. A simulação do comportamento de sistemas complexos permite criar virtualizações específicas do paciente, oferecendo informação adicional para a decisão clínica. A literatura mostra várias abordagens, destacando-se Dinâmica dos Fluídos Computacional (CFD), Mecânica dos Sólidos Computacional (CSM) e Interação Fluído- Estrutura (FSI). Entre estas, FSI é considerada o gold standard. Contudo, a sua aplicação clínica é limitada por três fatores: (i) dificuldade em obter modelos totalmente específicos do paciente; (ii) tempos de computação elevados; e (iii) falta de validação contra bases de dados robustas. Esta tese aborda a segunda limitação, investigando: “Quais são as abordagens numéricas que oferecem melhor compromisso entre precisão e custo computacional?”. Inicialmente, avaliou-se o impacto de diferentes metodologias de pré-tensão em simulações FSI. Depois, os resultados de FSI foram comparados com abordagens mais leves. Por fim, foi desenvolvido um modelo substituto da mecânica da parede da aorta, combinando Redes Neuronais Profundas (DNNs) e simulações CSM. A parede da aorta encontra-se sobre tensão ao longo do ciclo cardíaco. Assim, a configuração de referência não é observável em imagens médicas. Para ultrapassar esta limitação usam-se algoritmos como Zero Pressure Geometry (ZPG) e Prestress Tensor (PT). O uso de PT produziu campos de pressão semelhantes a ZPG, mas estimou uma resposta mais rígida da parede. A introdução de propriedades regionais melhorou a concordância com ZPG em termos de tensão e extensão máximas. À medida que o ATAA progride e a rigidez aumenta, a relevância da FSI diminui. Abordagens mais simples, como Modelos de Ordem Reduzida (ROM) e CSM, tornam-se alternativas adequadas pelo menor custo computacional. Todas estas produziram campos de pressão semelhantes. No entanto, para estimar as Tensões de Corte na Parede (WSS), FSI manteve-se a melhor opção. Para a resposta mecânica da parede, acoplar CSM com condições de fronteira de ROM gerou resultados próximos de FSI. Modelos substitutos têm sido propostos para reduzir custos de simulação. Abordagens de Inteligência Artificial (AI) têm mostrado bons resultados na modelação biomecânica. Neste trabalho, foi treinado um modelo baseado numa DNN com dados de simulações CSM. O modelo recebeu como entrada informações sobre anatomia, propriedades materiais e campo de pressões, prevendo a distribuição espacial de tensões e extensões com uma taxa de acerto superior a 90 %. Os resultados contribuem para aproximar a modelação biomecânica da prática clínica. Através da comparação de estratégias numéricas e da introdução de frameworks eficientes, identificam-se soluções para integrar a análise específica do paciente em fluxos clínicos. As metodologias propostas têm potencial para melhorar a estratificação do risco e o planeamento do tratamento de ATAA, apoiando uma abordagem mais personalizada.
Descrição
Palavras-chave
Ascending Thoracic Aortic Aneurysm (ATAA) Deep Neural Networks (DNN) Fluid-Structure Interaction (FSI) Surrogate model Tissue prestressing