A computational geometry approach for machine learning based diagnosis of nasal breathing difficulties aided by CFD

The present Thesis is carried out within the framework of a standing collaboration, provisionally named OpenNOSE, led by PoliMi, which includes UNIMI with the Santi Paolo e Carlo University Hospitals. The work presents the pipeline that has been developed during the recent years, aimed at diagnosing nasal breathing difficulties through a Machine Learning (ML) model. Specifically, the ML model is designed to exploit CFD information extracted from simulations of patient-specific anatomies with pathologies. In dealing with shapes, a Computational Geometry (CG) approach has been adopted to automate some complicated procedures, and to perform Data Augmentation (DA) of the available dataset while ensuring consistent and well defined pathologies with unique labels. The work is structured in three parts. In the first, starting from the complete CT-scan of a healthy patient, a simplified geometry of the nasal cavities is extracted thanks to a CG tool, known as functional maps. The ability of the functional maps to create functional correspondences helps in performing DA, by increasing the number of available anatomies for which LES simulations are carried out. The second part describes the computational procedure for the LES simulations; the third part describes how CFD results can be compacted into a handful of values (called features) and used as input on a (pre-trained) Neural Network (NN), which performs inference on the pathologies. The pipeline has been previously trained on a database built with DA from 7 patients. The present work has provided data based on a 8th patient, used to test for the first time the accuracy of the classifier. Although the number of observations is still rather limited, the achieved accuracy of 80% is already satisfactory, and demonstrates the viability of the proposed approach.

Collocato all’interno del progetto OpenNOSE, una collaborazione aperta tra PoliMI, UNIMI e l’Ospedale San Paolo polo universitario di Milano, il lavoro che segue presenta la pipeline sviluppata negli ultimi anni con l’obbiettivo di diagnosticare difficoltà respiratorie attraverso l’utilizzo di un modello Machine Learning (ML). In particolare il modello utilizza dati CFD estratti da simulazioni condotte sulle geometrie delle cavità nasali dei pazienti. Nel trattare le geometrie, viene adottato un approccio basato sulla Geometria Computazionale (GC) per automatizzare delle procedure altrimenti complicate, e per fare Data Augmentation (DA) sul dataset disponibile. Il lavoro è strutturato in 3 parti: nella prima, partendo dalla TAC di un paziente sano viene estratta una geometria semplificata delle vie nasali tramite l’utilizzo di mappe funzionali, uno strumento appartenente alla GC; la corrispondenza funzionale permette inoltre di fare DA, ovvero incrementare il numero di geometrie disponibili su cui lanciare simulazioni, promuovendo la variabilità anatomica, operazione fondamentale per migliorare l’accuratezza di una rete neurale, sopratutto in ambito CFD. Nella seconda parte, simulazioni LES vengono lanciate sulle geometrie risultanti dalla DA. Nella parte finale, particolari valori chiamati features vengono estratti dai risultati delle LES e utilizzati per testare una rete neurale (NN) di classificazione, addestrata a fare inferenza sulle patologie associate alle geometrie dei pazienti. La pipeline ha prodotto finora un database di 7 pazienti e con questo lavoro ne viene inserito un ottavo, dopo essere stato utilizzato per testare l’accuratezza del classificatore, che si assesta attorno ad un buon 80%, dimostrando la fattibilità dell'approccio proposto.