Deep learning-based and patient-specific prediction of axial stresses in the wall of the ascending aorta to support the assessment of dissection risk

The evaluation of the dissection risk in the ascending aorta is critical for guiding clinical decision-making in patients with aortic pathologies. Current diagnostic methods primarily depend on aortic diameter, a single-parameter criterion that lacks sensitivity and specificity. Surgical intervention is typically recommended for diameters $\geq 5.5$cm, yet, approximately 60\% type A dissections occur in patients with aneurysms smaller than the indicated threshold. Wall stress analysis has emerged as a more reliable indicator for assessing the risk of adverse outcomes, under the premise that dissection is an inherently mechanical failure event. This thesis introduces a novel deep learning-based model to predict axial wall stresses on patient-specific ascending aorta geometries. The objective of this preliminary study was to implement a practical biomechanical evaluation tool for clinical diagnostics, offering a solution that overcomes the complexity and time-consuming nature of the finite element method (FEM), the gold standard for biomechanical analysis, which has hindered patient-specific evaluation in time-sensitive frameworks. In this preliminary investigation, the analysis was restricted to the axial stress component and the inner surface of the aorta, emphasizing two aspects: the influence of vessel loading conditions on the model’s performance given a fixed patient-specific anatomy (Task A), and the impact of anatomical variations on performance under a specified intraluminal pressure load (Task B). The development of the model required an automated workflow to generate the dataset for training, validation, and testing. These data were generated through FEM simulations, which in turn required the creation of high-quality computational grids. Ascending aorta geometries were obtained from the CT scans of 100 subjects, including healthy individuals and pathological patients. An automated Python workflow generated a model of the ascending aorta. It utilized two strategies for quadrilateral remeshing, selected the optimal model, created the hexahedral aortic mesh through extrusion, and integrated the aorta within a brick-shaped solid mesh. Two distinct FEM simulation setups were employed to generate data to investigate the performance of the neural network on two tasks, focusing on varying loading conditions (Task A) and geometries (Task B). The first setup aimed to retrieve the stress-free configuration and the associated pre-stress values for each patient-specific geometry. In the second setup, the stress-free configuration of a single patient’s geometry was pressurized to the systolic condition, yielding stress values within the physiological pressure range. The DL-based model implemented a $PointNet^{++}$ architecture. The network utilized relevant geometric features assigned to nodal points, enabling the model to learn from these parameters and predict the axial wall stress distribution on the inner surface of the ascending aorta. The performance was evaluated by comparing the deep learning predictions against the ground truth provided by FEM simulations. Given an input geometry, the DL model estimated the stress field within 3 seconds. In both tasks, the network effectively assessed the overall axial wall stress distribution, successfully identifying regions of lower and higher stress levels. In Task A, the model achieved a high level of accuracy, with a normalized mean absolute error (NMAE) of 1.09\%. Task B explored the effects of patient-specific anatomy, presenting a more complex challenge that resulted in an NMAE of 6.61\% when compared to the ground truth stress distribution. This study demonstrated the feasibility of implementing a practical biomechanical analysis in clinical diagnostics. It offers a solution that achieves both computational efficiency and reliability in comparison to the gold standard. The proposed DL-based tool integrates seamlessly into clinical settings, utilizing segmented medical imaging data for biomechanical analysis without requiring specialized technical expertise. The model, pre-trained and accessible through open-source software, offers a cost-effective solution for healthcare facilities, paving the way for broader adoption in clinical practice..

La valutazione del rischio di dissezione nell'aorta ascendente è fondamentale per guidare il processo decisionale clinico per pazienti con patologie aortiche. Gli attuali metodi diagnostici si basano principalmente sul diametro aortico, un criterio che presenta limitata sensibilità e specificità. L'intervento chirurgico è generalmente raccomandato per diametri superiori a 5,5 cm, tuttavia oltre il 60\% delle dissezioni di tipo A si verifica in pazienti con aneurismi di dimensioni inferiori a questa soglia. L'analisi dello sforzo in parete è un indicatore più affidabile per valutare il rischio di esiti avversi, con la premessa che la dissezione è un evento di rottura intrinsecamente meccanico. Questa tesi propone un modello di deep learning per la stima degli sforzi assiali su geometrie di aorta ascendente paziente-specifiche. L'obiettivo di questo lavoro è lo sviluppo di uno strumento volto alla valutazione del rischio di dissezione tramite analisi biomeccanica, integrabile all'interno della pratica clinica e in grado di superare le limitazioni dei metodi tradizionali, quale il metodo degli elementi finiti (FEM), i quali comportano elevati tempi computazionali, limitandone l'applicabilità in contesti clinici in cui la tempestività è cruciale. Due aspetti principali sono stati indagati: (i) l'influenza delle condizioni di carico del vaso sulle prestazioni del modello, considerando un'anatomia paziente-specifica (task A) e (ii) l'impatto delle variazioni anatomiche sulle prestazioni del modello sotto un determinato carico di pressione intraluminale (task B). Lo sviluppo del tool ha richiesto un workflow automatizzato per generare i dataset destinati all'addestramento, alla validazione e al testing del modello. Tali dati sono stati ottenuti tramite simulazioni FEM, che a loro volta hanno richiesto la creazione di griglie computazionali di alta qualità. Le geometrie di aorta ascendente sono state ottenute da immagini CT di 100 soggetti, inclusi pazienti sani e patologici. È stato implementato un workflow per la creazione di mesh quadrangolari utilizzando risorse open-source: il metodo sviluppato consente di selezionare la mesh ottimale in base a metriche di qualità e di estrudere la griglia per ottenere una mesh esaedrica. Successivamente, il modello dell'aorta ascendente discretizzato è stato integrato in un solido esaedrico, per garantire la stabilità delle simulazioni. Per generare un numero sufficiente di dati per addestrare il modello, sono stati utilizzati due distinti setup di simulazioni FEM, mirati a esplorare l'effetto delle condizioni di carico (task A) e le variazioni anatomiche (task B). Il primo setup ha permesso di ottenere la configurazione stress-free e i valori di pre-stress associati per ogni geometria paziente-specifica. Nel secondo setup, la configurazione stress-free è stata pressurizzata alla condizione sistolica, ottenendo valori di stress all'interno dell'intervallo di pressione fisiologico. L'architettura del modello di deep learning si basa su una rete neurale $PointNet^{++}$. Parametri descrittori della geometria sono stati assegnati ai punti nodali per allenare il modello a prevedere la distribuzione dello stress assiale sulla superficie interna dell'aorta ascendente. Le prestazioni del modello sono state valutate confrontando le previsioni con i dati di "ground truth" ottenuti dalle simulazioni FEM. Data una geometria di input, il modello è in grado di stimare il campo di stress in appena 3 secondi. Per entrambi i task, il modello ha mostrato un'elevata efficienza nel valutare gli sforzi assiali, identificando con precisione le regioni con differenti valori di sforzo. Nel task A, il modello ha raggiunto un errore assoluto medio normalizzato (NMAE) dell'1,09\%, mentre nel task B, di maggior complessità, l'errore è stato del 6,61\% rispetto ai valori ottenuti con le simulazioni FEM. Questo studio ha dimostrato la fattibilità di un'analisi biomeccanica automatizzata applicabile in ambito clinico, con un modello di deep learning che offre un'alternativa più rapida ed economica rispetto al gold standard, garantendo al contempo affidabilità e precisione. Il modello proposto, facilmente integrabile nella diagnostica clinica, utilizza dati provenienti dalla segmentazione di immagini e non richiede competenze tecniche avanzate da parte del personale sanitario. Pre-addestrato e disponibile tramite software open-source, questo strumento rappresenta una soluzione economicamente vantaggiosa per le strutture sanitarie e apre nuove prospettive per la sua adozione nella pratica clinica.