CFD modelling of the cerebrospinal fluid in patient-specific anatomies

Lumbar spinal stenosis (LSS) is a degenerative condition associated with back pain and disability, whose diagnosis primarily relies on clinical examination and radiological imaging. However, conventional grading systems based on morphological criteria, such as spinal canal obliteration, often correlate poorly with symptom severity. Recent studies suggest that cauda equina nerve root dispersion, potentially influenced by cerebrospinal fluid (CSF) dynamics at the stenosis level, may better reflect clinical manifestations. Despite this, no study has yet fully characterised CSF fluid dynamics in relation to LSS. To address this gap, this thesis presents a patient-specific computational fluid dynamics (CFD) analysis of CSF flow in the lumbar spinal canal using anatomical models derived from supine and upright MRI. Twenty patients diagnosed with LSS were enrolled and divided into two groups based on stenosis severity (moderate and severe), each undergoing both supine and weight-bearing MRI acquisitions. The spinal canal was segmented using a convolutional neural network (CNN)-based algorithm, enabling the creation of 40 anatomical geometries for the simulations. A mesh sensitivity study was conducted to optimise computational accuracy and cost, resulting in the selection of a 0.6 mm element size as the optimal trade-off. The simulations were conducted under physiological boundary conditions with the aim of evaluating pressure, velocity, and, in post-processing, the Time-Averaged Wall Shear Stress (TAWSS) and Oscillatory Shear Index (OSI). The results revealed significant differences in mean pressure between severe and moderate cases (p = 0.0323), as well as in pressure range (p = 1 × 10−5). Velocity analyses showed significantly higher peak velocities in severe cases, both for mean velocities (p = 0.0006) and for velocity ranges (p = 0.0005). Furthermore a strong negative correlation was observed between maximum pressure and the Stenosis Area Ratio (r = −0.743, p < 0.001). Shear-based indices revealed elevated TAWSS and OSI within the stenotic region, particularly in severe cases, indicating increased mechanical stress on the canal walls and the presence of altered flow conditions. Significant differences in maximum TAWSS values were observed both between severe and moderate stenosis and between supine and upright (orthostatic) positions. These findings support the hypothesis that CSF flow alterations are directly modulated by canal morphology and body posture, and may contribute to mechanical stress and altered dispersion patterns affecting the nerve roots. In conclusion, this work demonstrates that image-based CFD modelling is a robust and non-invasive tool for the analysis of CSF dynamics in LSS. The integration of patient-specific anatomical data offers novel insights into the biomechanical implications of spinal stenosis and may contribute to improve the accuracy of the diagnosis and could support personalised treatment strategies.

La stenosi spinale lombare (LSS) è una patologia degenerativa associata a dolore lombare e disabilità, la cui diagnosi si basa principalmente su esame clinico e imaging radiologico. Tuttavia, i sistemi di classificazione convenzionali, basati su criteri morfologici come l’obliterazione del canale spinale, mostrano spesso una scarsa correlazione con la gravità dei sintomi. Studi recenti suggeriscono che la dispersione delle radici nervose della cauda equina, potenzialmente influenzata dalla dinamica del liquido cerebrospinale (CSF) a livello della stenosi, possa riflettere meglio le manifestazioni cliniche. Nonostante ciò, nessuno studio ha finora caratterizzato in modo completo la dinamica del CSF in relazione alla LSS. Per colmare questa lacuna, questa tesi presenta un’analisi fluidodinamica computazionale (CFD) personalizzata del flusso di CSF nel canale spinale lombare, utilizzando modelli anatomici derivati da risonanza magnetica (MRI) in posizione supina e ortostatica. Sono stati arruolati venti pazienti con diagnosi di LSS, suddivisi in due gruppi in base alla gravità della stenosi (moderata e severa), ciascuno dei quali ha effettuato scansioni MRI in entrambe le posizioni. Il canale spinale è stato segmentato tramite un algoritmo basato su rete neurale convoluzionale (CNN), permettendo la creazione di 40 geometrie anatomiche per le simulazioni. È stato condotto uno studio di sensibilità alla mesh per ottimizzare l’accuratezza computazionale e i costi, identificando una dimensione degli elementi pari a 0,6 mm come compromesso ottimale. Le simulazioni, condotte con condizioni al contorno fisiologiche, hanno analizzato pressione, velocità, e in post-processing l’indice di sollecitazione di parete media (TAWSS) e l’indice di sollecitazione oscillatoria (OSI). I risultati hanno evidenziato differenze significative nella pressione media tra i casi severi e moderati (p = 0,0323), così come nell’intervallo di pressione (p = 1 × 10−5). Le velocità di picco erano significativamente più elevate nei casi severi, sia in termini di velocità media (p = 0,0006) che di intervallo di velocità (p = 0,0005). Inoltre, è stata osservata una forte correlazione negativa tra la pressione massima e il rapporto di area stenotica (r = −0,743, p < 0,001). Gli indici basati sullo shear hanno rivelato valori elevati di TAWSS e OSI nella regione stenotica, specialmente nei casi severi, indicando un aumento dello stress meccanico sulle pareti del canale e condizioni di flusso alterate. Differenze significative nei valori massimi di TAWSS sono state riscontrate sia tra stenosi moderate e severe, sia tra posizioni supina e ortostatica. Questi risultati supportano l’ipotesi che le alterazioni del flusso del CSF siano direttamente modulate dalla morfologia del canale e dalla postura corporea, e possano contribuire a stress meccanico e pattern di dispersione alterati che coinvolgono le radici nervose. In conclusione, questo lavoro dimostra che la modellazione CFD basata su immagini è uno strumento robusto e non invasivo per l’analisi della dinamica del CSF nella LSS. L’integrazione di dati anatomici specifici del paziente fornisce nuove prospettive sulle implicazioni biomeccaniche della stenosi spinale e può contribuire a migliorare l’accuratezza diagnostica, supportando strategie terapeutiche personalizzate.