Sviluppo di un modello surrogato dell'interazione tra trombo e stent-retriever durante procedure di trombectomia

Mechanical thrombectomy procedure using stent-retriever is one of the possible techniques for removing a clot that occludes the cerebral vessels during Acute Ischemic Stroke. However, the interaction between the clot and the stent can lead to possible adverse effects such as distal embolization due to the rupture of the thrombus subjected to critical stresses. Computational simulations that exploit the Finite Element Method (FEM) can help evaluate the risk of rupture before procedure, calculating the stresses and deformations, but taking too much computational time compared to the effective therapeutic window of the treatment, in the order of the few hours after the ischemic event. The goal of this thesis is therefore to develop a surrogate model that is able to predict the deformed configuration and thrombus stresses much more quickly, without running a new simulation. For this purpose, the training dataset of the model was initially created: a parametric model consisting of 5 parameters characterizing the simplified geometry considered allows creating and running the FEM thrombectomy simulations, each associated with a set of sampled parameters. The surrogate model aims to describe and replicate the relationships between the 5 parameters and the corresponding outputs in terms of positions, displacements and stresses, results of the training simulations. In particular, the kernel Principal Component Analysis (kPCA) is used to reduce the dimensionality of the problem by considering only the most influential principal components, in the presence of non-linear relationships between training dataset cases; Gaussian regression and interpolation process known as Kriging is then implemented to obtain the map between the space of the characteristic parameters and the reduced space introduced by the kPCA where the training cases are projected. The trained model is then tested by receiving the parameter sets of new cases as input and obtaining the predictions of positions, displacements and efforts, whose results show the interesting potential of the method.

La procedura di trombectomia meccanica tramite stent-retriever è una delle possibili tecniche di rimozione di un trombo che occlude i vasi cerebrali in caso di Ictus Ischemico Acuto. L’interazione tra il coagulo e lo stent può però determinare possibili effetti avversi come l’embolizzazione distale dovuta alla rottura del trombo sottoposto a sforzi critici. Le simulazioni computazionali che sfruttano il Metodo degli Elementi Finiti (FEM) possono aiutare a valutare il rischio di rottura prima dell’intervento, calcolando gli sforzi e le deformazioni ma richiedono tempi di calcolo troppo elevati rispetto alla finestra terapeutica efficace del trattamento, nell’ordine delle poche ore dopo l’evento ischemico. L’obiettivo di questa tesi è dunque quello di sviluppare un modello surrogato che sia in grado di predire la configurazione deformata e gli sforzi del trombo in maniera molto più rapida, senza dover lanciare una nuova simulazione. Per fare questo, è stato dapprima creato il dataset di training del modello: un modello parametrico costituito da 5 parametri caratterizzanti la geometria semplificata considerata permette di creare e lanciare le simulazioni FEM di trombectomia, ognuna associata ad un set dei parametri campionati. Il modello surrogato mira a descrivere e replicare le relazioni esistenti tra i 5 parametri e i corrispettivi output in termini di posizioni, spostamenti e sforzi, risultati delle simulazioni di training. In particolare, viene utilizzata la kernel Principal Component Analysis (kPCA) per ridurre la dimensionalità del problema considerando le sole componenti principali più influenti, in presenza di relazioni non lineari tra i casi del dataset di training; viene poi implementato il processo Gaussiano di regressione ed interpolazione noto come Kriging per ottenere la mappa tra lo spazio dei parametri caratteristici e lo spazio ridotto introdotto dalla kPCA dove vengono proiettati i casi di training. Il modello allenato viene poi testato ricevendo in ingresso i set di parametri di nuovi casi ed ottenendo le predizioni di posizioni, spostamenti e sforzi, i cui risultati mostrano le interessanti potenzialità del metodo.