Radiomic-based texture analysis of hemodynamic descriptor maps for carotid plaque risk assessment

Carotid artery disease is a major contributor to ischaemic stroke, yet current clinical risk-assessment relies predominantly on the degree of stenosis, a metric that alone provides limited insight into plaque vulnerability, particularly in asymptomatic patients. Robust risk stratification requires characterizing both plaque morphology and the local hemodynamic forces that influence its progression and destabilization. Although Computational Fluid Dynamics (CFD) and radiomics have each demonstrated value in this context, existing studies typically analyze these domains separately or rely on simplified, global metrics that fail to capture the spatial complexity of wall shear stress (WSS) patterns. This thesis introduces a structured methodology for extracting radiomic texture features directly from two-dimensional parameterizations of CFD-derived hemodynamic descriptor maps. By projecting patient-specific WSS-based quantities (TAWSS, OSI, RRT, transWSS and TSVI) onto a standardized 2D parametric domain, the approach enables consistent radiomic analysis across heterogeneous carotid geometries. These texture features are integrated with complementary global hemodynamic descriptors within a machine-learning pipeline incorporating mRMR feature selection and Borderline-SMOTE to address class imbalance. The proposed framework was evaluated on a single-center cohort of 127 patients. The optimal model, a multilayer perceptron trained on 20 mRMRselected features, achieved an AUC of 0.805 and a balanced accuracy of 0.787 on an independent test set. SHAP-based interpretability analysis demonstrated that predictive performance was driven predominantly by radiomic texture descriptors capturing the spatial heterogeneity of TAWSS and RRT distributions. These findings confirm that the spatial organization and variability of hemodynamic forces, not solely their magnitude, carry clinically relevant information for identifying symptomatic, high-risk plaques. Although preliminary, this thesis provides the first validated evidence that radiomic analysis of hemodynamic maps can substantially enhance plaque risk assessment. With further validation in larger prospective cohorts, the proposed methodology could evolve into a non-invasive, computation-based tool for enhanced risk stratification and clinical decision support in the management of carotid artery disease.

L’ aterosclerosi carotidea rappresenta uno dei principali fattori di rischio per l’ictus ischemico; tuttavia, la pratica clinica attuale per la valutazione del rischio si basa prevalentemente sul grado di stenosi, una metrica che da sola fornisce informazioni limitate sulla vulnerabilità della placca, in particolare nei pazienti asintomatici. Una stratificazione del rischio realmente efficace richiede una caratterizzazione integrata sia della morfologia della placca sia delle forze emodinamiche locali che concorrono a determinarne la progressione e la destabilizzazione. Sebbene la fluidodinamica computazionale (CFD) e la radiomica abbiano già evidenziato la loro utilità in questo ambito, la maggior parte degli studi attuali analizza questi domini in modo indipendente oppure si basa su metriche globali semplificate, inadeguate a rappresentare la complessità spaziale dei pattern di wall shear stress (WSS). Questa tesi introduce una metodologia strutturata per estrarre features radiomiche texturali direttamente da parametrizzazioni bidimensionali di mappe emodinamiche ottenute tramite simulazioni fluidodinamiche. Attraverso la proiezione di indicatori derivanti dal WSS (TAWSS, OSI, RRT, transWSS e TSVI), specifici per ciascun paziente, su un dominio parametrico 2D standardizzato, l’approccio adottato permette di effettuare un’analisi radiomica coerente anche in presenza di geometrie carotidee eterogenee. Le features texturali sono state combinate con descrittori emodinamici globali all’interno di una pipeline di machine learning che prevede la selezione delle feature tramite mRMR e l’impiego di Borderline-SMOTE per mitigare lo sbilanciamento delle classi. Il framework proposto è stato valutato su una coorte monocentrica composta da 127 pazienti. Il modello più performante, un multilayer perceptron addestrato su 20 feature selezionate tramite mRMR, ha ottenuto un’AUC pari a 0.805 e una balanced accuracy di 0.787 su il set di test indipendente. L’analisi di interpretabilità condotta utilizzando SHAP ha evidenziato che le prestazioni predittive erano sostenute soprattutto da features radiomiche texturali in grado di cogliere l’eterogeneità spaziale delle distribuzioni di TAWSS e RRT. Tali evidenze confermano che l’organizzazione spaziale e la variabilità delle forze emodinamiche, e non soltanto la loro intensità, racchiudono informazioni clinicamente rilevanti per individuare placche sintomatiche ad alto rischio. Pur trattandosi di risultati preliminari, questa tesi offre la prima conferma che l’analisi radiomica delle mappe emodinamiche possa contribuire in modo significativo al miglioramento della valuatzione del grado di rischio della placca aterosclerotica. Ulteriori conferme provenienti da studi prospettici su campioni più ampi potrebbero consentire alla metodologia proposta di evolvere in uno strumento computazionale non invasivo, in grado di favorire una stratificazione del rischio più accurata e di supportare il processo decisionale clinico nella gestione dell’aterosclerosi carotidea.