Graph Neural Networks: a Deep Learning approach for microcirculatory blood flow simulation

In this thesis, we explore the application of Graph Neural Networks (GNNs) to simulate microcirculatory blood flow with an application focusing on the cerebral microvasculature. GNNs are a powerful machine learning tool designed to handle non-Euclidean data structures, making them particularly suitable for this complex biological problem. The study involves developing an algorithm to generate synthetic vascular networks and implementing a GNN-based model to predict blood flow dynamics within these networks. Our approach leverages the unique capabilities of GNNs to process and learn from graph-structured data, enabling accurate blood flow simulation. The methodology includes the generation of realistic vascular networks, the simulation of microvascular flow using a combination of linear and nonlinear solvers (depending on whether the effect of the red blood cells is considered), and the training of multiple GNN models to predict flow characteristics. In particular, we build four models that estimate pressures, blood velocities, and hematocrit levels in blood vessels. The primary obstacles addressed in this study include managing the variability of blood velocity in capillaries, precision in predicting hematocrit levels, and the ability to generalize the GNN model to more extensive and intricate vascular networks. The results demonstrate the efficacy of GNNs in modeling microcirculatory blood flow, especially for pressures. In fact, the test we performed on realistic networks representing realistic samples of the mouse cerebral cortex was very encouraging. The findings indicate significant promise for GNNs in biomedical applications, particularly in improving our understanding of microcirculation and aiding in the development of treatments for related conditions.

In questa tesi, esploriamo l'applicazione delle Graph Neural Network (GNN) per simulare il flusso sanguigno microcircolatorio, con un'applicazione incentrata sulla microvasculatura cerebrale. Le GNN sono un potente strumento di apprendimento automatico progettato per gestire strutture di dati non euclidee, il che le rende particolarmente adatte a questo complesso problema biologico. Lo studio prevede lo sviluppo di un algoritmo per generare reti vascolari sintetiche e l'implementazione di un modello basato sulle GNN per prevedere le dinamiche del flusso sanguigno all'interno di queste reti. Il nostro approccio sfrutta le capacità uniche delle GNN di elaborare e apprendere da dati strutturati a grafo, consentendo una simulazione accurata del flusso sanguigno. La metodologia comprende la generazione di reti vascolari realistiche, la simulazione del flusso microvascolare utilizzando una combinazione di solutori lineari e non lineari (a seconda che si consideri l'effetto dei globuli rossi) e l'addestramento di più modelli GNN per prevedere le caratteristiche del flusso. In particolare, costruiamo quattro modelli che stimano le pressioni, le velocità del sangue e i livelli di ematocrito nei vasi sanguigni. Gli ostacoli principali affrontati in questo studio includono la gestione della variabilità della velocità del sangue nei capillari, la precisione nella previsione dei livelli di ematocrito e la capacità di generalizzare il modello GNN a reti vascolari più estese e intricate. I risultati dimostrano l'efficacia delle reti GNN nella modellazione del flusso sanguigno microcircolatorio, soprattutto per quanto riguarda le pressioni. Infatti, il test eseguito su reti realistiche che rappresentano campioni realistici della corteccia cerebrale di un topo è stato molto incoraggiante. I risultati indicano una promessa significativa per le GNN nelle applicazioni biomediche, in particolare per migliorare la nostra comprensione della microcircolazione e aiutare lo sviluppo di trattamenti per le condizioni correlate.