Statistical shape modeling of thoracic aortic aneurysm : data-driven synthesis of inlet velocity profiles to overcome clinical data scarcity

In-silico models have been extensively used to predict structural and fluid-dynamic descriptors that have been proven to play a significant role in ascending thoracic aortic aneurysm (aTAA) progression. In order for numerical simulations to accurately reproduce in-vivo hemodynamics, realistic boundary conditions (BC) have to be employed. However, the availability of clinical data capable to provide inlet flow information, as 4D-Flow MRI, is still limited and researchers have no choice but to use idealized velocity profiles. In the present work, a novel computational pipline is implemented, tested and validated that exploits Statistical Shape modeling (SSM) for the generation of synthetic (virtual) inlet velocity profiles (IVPs) suitable for CFD simulations. Starting from a clinical dataset of 31 aTAAs 4D-Flow, SSM allowed to extract a representative (template shape) profile in the form of time-varying 3D velocity distribution such that it could be given as input to a numerical solver. When prescribed at the inlet of a real aTAA model, the proposed velocity profile was able to efficiently replicate inter-aortic hemodynamics as resulting velocity distribution were in good agreement with 4D-Flow. Moreover, the use of the implemented framework was further extended by generating a large dataset of plausible aTAA velocity profiles that, ultimately, comprised 232 virtual cases: comparison between real and synthetic dataset enabled to show that the synthetic data presented similar characteristics as the clinical population in terms of key morphology parameters. Use of virtually-built datasets provides train data for machine learning (ML) tool applications that has already shown huge potential in aiding aTAA diagnosis and treatment decision.

I modelli in-silico sono stati ampiamente utilizzati poichè consentono la valutazione di indici strutturali ed emodinamici fortemente correlati con la fisiopatologia dell’aneurisma in aorta ascendente (aTAA). Affinché le simulazioni numeriche possano replicare fedelmente l’emodinamica registrata in vivo, è necessario che le condizioni al bordo siano realistiche. Tuttavia, la disponibilità di dati clinici in grado di fornire informazioni sul flusso in ingresso, come la risonanza magnetica 4D-Flow, è ancora limitata e spesso si ricorre all’utilizzo di profili di velocità ideali. Nel presente lavoro, una nuova pipline computazionale basata sullo Statistical Shape Modeling è stata implementata, testata e validata, allo scopo di generare profili di velocità di ingresso (IVP) sintetici (virtuali). Partendo da 31 aquisizioni 4D-Flow appertenenti a pazienti affetti da aneurisma in aorta ascendente, il metodo SSM ha permesso di estrarre un profilo di velocità rappresentativo. Il profilo di velocità proposto è stato in grado di replicare in modo efficiente l’emodinamica in aorta e le distibuzioni della velocità osservate sono risultate simili a quelle registrate in-vivo. Inoltre, il framework computazionale sviluppato è stato utilizzato per generare un ampio dataset di profili di velocità realistici costituito da 232 casi virtuali: confrontando i due dataset, sintetico e reale, è stato possibile dimostrare come il primo presentasse effettivamente propietà statistiche simili al secondo. L’utilizzo di dati sintetici serve ad alimentare modelli di intelligenza artificiale i quali hanno già mostrato di essere uno strumento promettente per lo studio della patologia dell’aneurisma aortico, così come per supportare i chirurghi nella scelta le strategie di inervento.