An automated pipeline for biomechanical modeling: from CT to patient-specific vertebral FEM generation

Musculoskeletal disorders are one of the most prevalent healthcare challenges globally, contributing significantly to disability, healthcare costs, and reduced quality of life. Accurately assessing bone health and mechanical function plays a critical role in diagnosis, treatment planning, and surgical interventions. To address the fact that traditional diagnostic tools, although clinically established, may often fail to capture the full complexity of patient-specific anatomical and biomechanical variations, there is a growing interest in developing finite element modeling (FEM). However, traditional workflows are often fragmented, time-consuming, and rely on manual operations in multiple software environments. This thesis presents a fully automated, Python-based pipeline that generates volumetric FEM models of vertebrae from segmented CT data. The workflow integrates surface extraction, smoothing, remeshing, volumetric meshing, endplate identification, local coordinate system construction and boundary conditions definition, eliminating the need for external software and minimizing manual intervention. In addition, a dedicated strategy for optimizing the choice of the isosurface extraction level with the Marching Cubes algorithm and the smoothing parameters was developed. The results demonstrated an excellent ability to generate the volumetric mesh and also develop boundary conditions for the FEM simulations that showed a behavior in close agreement with a manual pipeline, chosen as a reference. Furthermore, the pipeline was validated on 50 vertebral segments (T8 and L3 of 25 patients), with 33 successful volumetric meshes and 31 complete FEM models. A linear regression analysis confirmed a positive correlation between bone mineral density (BMD) and fracture load, supporting the mechanical plausibility of the automated models. This work demonstrates that automated modeling can substantially reduce computation time and operator dependency, enabling scalable generation of customized FEM models for clinical and research purposes.

I disturbi muscoloscheletrici rappresentano una delle sfide sanitarie più diffuse a livello globale, contribuendo in modo significativo alla disabilità, ai costi sanitari e alla riduzione della qualità della vita. Una valutazione accurata della salute ossea e della funzione meccanica svolge un ruolo fondamentale nella diagnosi, nella pianificazione del trattamento e negli interventi chirurgici. Per far fronte al fatto che gli strumenti diagnostici tradizionali, sebbene clinicamente affermati, spesso non riescono a cogliere l'intera complessità delle variazioni anatomiche e biomeccaniche specifiche di ogni paziente, vi è un crescente interesse nello sviluppo della modellazione a elementi finiti (FEM). Tuttavia, i flussi di lavoro tradizionali sono spesso frammentati, richiedono molto tempo e si basano su operazioni manuali in più ambienti software. Questa tesi presenta una pipeline completamente automatizzata, basata su Python, che genera modelli FEM volumetrici di vertebre a partire da dati TC segmentati. Il flusso di lavoro integra l'estrazione di superficie, la levigatura, il remeshing, la mesh volumetrica, l'identificazione delle placche terminali, la costruzione del sistema di coordinate locali e la definizione delle condizioni al contorno, eliminando la necessità di software esterni e riducendo al minimo l'intervento manuale. È stata inoltre sviluppata una strategia dedicata per ottimizzare la scelta del livello di estrazione delle isosuperfici con l'algoritmo Marching Cubes e i parametri di smoothing. I risultati hanno dimostrato un'eccellente capacità di generare la mesh volumetrica e di sviluppare condizioni al contorno per le simulazioni FEM, che hanno mostrato un comportamento in stretta corrispondenza con una pipeline manuale, scelta come riferimento. Inoltre, la pipeline è stata validata su 50 segmenti vertebrali (T8 e L3 di 25 pazienti), con 33 mesh volumetriche di successo e 31 modelli FEM completi. Un'analisi di regressione lineare ha confermato una correlazione positiva tra densità minerale ossea (BMD) e carico di frattura, a supporto della plausibilità meccanica dei modelli automatizzati. Questo lavoro dimostra che la modellazione automatizzata può ridurre sostanzialmente i tempi di calcolo e la dipendenza dall'operatore, consentendo la generazione scalabile di modelli FEM personalizzati per scopi clinici e di ricerca.