Machine learning techniques for evaluating nasal airflow : preliminary results

This thesis is part of OpenNOSE, a multidisciplinary research project aiming at the development of an open source, patient-specific tool to support medical personnel in the diagnoses and surgical procedures to the nasal cavity, to reduce costs and collateral damage. The specific task concerns the exploration of a novel approach to the evaluation of nasal airflow quality, based on ML (Machine Learning) techniques. The first step is the creation of a simplified CAD (Computer-Aided Design) model of the nasal cavity. Secondly, some meaningful geometrical parameters are defined, in close collaboration with the otolaryngology experts at San Paolo Hospital of Milan, and then combined to generate 200 different nasal geometries, half of which exhibit some version and degree of turbinate hypertrophy. RANS (Reynolds-Averaged Navier-Stokes) simulations allow the reproduction of the airflow inside the models during the inhalation phase. Some flow features are extracted from the raw CFD (Computational Fluid Dynamics) results, summarising the entire flow fields in a few numerical values to employ as the predictive model input. The quality of the chosen features is then tested in a feature selection process, based on ML techniques. Additionally, this procedure allows the gathering of insights about the non-trivial connection between model geometry and the airflow inside it. Lastly, a final regression model assesses the real predictive value of the chosen features.

Questa tesi si inserisce all’interno di OpenNOSE, un progetto di ricerca multidisciplinare il cui fine è la creazione di uno strumento, open source e patient-specific, che affianchi i medici nelle diagnosi e negli interventi chirurgici alle cavità nasali per ridurre tempi, costi ed effetti collaterali. L’obiettivo specifico è l’esplorazione di un approccio alla valutazione della corretta funzionalità delle cavità nasali mediante tecniche di ML (Machine Learning). Il punto di partenza è stata la creazione di un modello CAD (Computer-Aided Design) semplificato delle cavità nasali. In secondo luogo alcuni parametri geometrici significativi sono stati definiti, insieme agli otorinolaringoiatri dell’Ospedale San Paolo di Milano, e combinati per generare 200 geometrie nasali diverse, metà delle quali affette da ipertrofia dei turbinati in varie forme ed entità. Le simulazioni RANS (Reynolds- Averaged Navier-Stokes) hanno permesso di ricostruire l’andamento del flusso d’aria all’interno dei modelli durante la fase di inspirazione. Dai dati così ottenuti sono state estratte delle features, caratteristiche della corrente che riassumono i campi di velocità e pressione in pochi valori numerici da usare come input per i modelli predittivi. La bontà delle caratteristiche scelte è stata verificata con un processo di selezione delle features, basato su algoritmi di ML. Questa procedura ha inoltre consentito di raccogliere informazioni utili sul legame tutt’altro che banale tra la corrente fluida e la geometria del modello. Infine un modello finale di regressione ha valutato la reale capacità predittiva delle features scelte.