A computational pipeline to quantify right ventricular hemodynamics from 4D echocardiography

The right ventricle (RV) plays a central role in cardiopulmonary physiology, yet its complex geometry and highly dynamic motion make an accurate characterization of its hemodynamics particularly challenging. While 4D Flow MRI is the reference modality for in vivo flow assessment, its low spatial resolution, long acquisition times, and intrinsic noise limit its ability to resolve fine scale intracardiac features such as wall shear stress, hindering both diagnostic interpretation and the development of quantitative biomarkers. This thesis addresses this gap by developing a complete methodological pipeline to generate high-fidelity 4D intracardiac flow fields from routine 4D echocardiography. Retrospective data from 10 subjects (pre- and post-Ajmaline conditions) were processed using TomTec’s automated 4D RV-Function to extract dynamic endocardial surfaces. A dedicated Python framework was designed for surface processing, temporal interpolation, volumetric meshing, and motion mapping, producing simulation-ready moving-mesh models. Moving-mesh simulations were performed in Sim Vascular using physiologically realistic conditions, including inflow derived from the volume derivative and an RCR Windkessel model at the pulmonary outlet. Verification analyses confirmed robustness: mesh sensitivity analysis confirmed grid independence, showing <0.5% pressure deviation from the finest grid. Periodicity analysis showed stable, periodic steady state with excellent cycle-to-cycle correlation (r > 0.98). Results from the pre-Ajmaline cohort confirmed physiological fidelity. Global metrics showed consistent RV function (mean EF 56.05%; EDV 75.21 mL). Hemodynamic profiles resolved characteristic flow patterns reproducing characteristic diastolic filling (E/A waves), systolic ejection peaks ( 180 mL/s). Spatially, the model captured the essential systolic pressure gradient (peak 26 mmHg). Overall, this work provides high-resolution, noise-free hemodynamic datasets that can serve as virtual ground truth for developing and validating deep-learning denoising and super-resolution methods, with the long-term goal of enhancing the accuracy and clinical utility of 4D Flow MRI.

Il ventricolo destro svolge un ruolo fondamentale nella fisiologia cardiopolmonare, ma la sua geometria complessa e la dinamica altamente deformabile rendono difficile una caratterizzazione emodinamica accurata. La 4D Flow MRI è il riferimento per la valutazione non invasiva del flusso, ma bassa risoluzione, rumore e lunghi tempi di acquisizione ne limitano la capacità di descrivere fenomeni locali come wall shear stress. Questa tesi affronta tale limite sviluppando una pipeline per ottenere campi di velocità 4D ad alta fedeltà del ventricolo destro a partire da ecocardiografia 4D di routine. Dati retrospettivi da una sotto-coorte di 10 soggetti (pre- e post-Ajmalina) sono stati processati con TomTec 4D RV-Function per estrarre superfici endocardiache dinamiche. È stato quindi sviluppato un framework Python dedicato alla preparazione delle superfici, all’interpolazione temporale, al meshing volumetrico e alla mappatura del movimento, generando un modello a mesh mobile pronto per la simulazione. Le simulazioni, eseguite con SimVascular, hanno impiegato condizioni al contorno fisiologiche: inflow derivato da dV/dt e modello RCR al tratto di efflusso polmonare, con mesh dinamica guidata dal movimento specifico del paziente. Le verifiche numeriche hanno mostrato elevata robustezza: l’analisi di sensibilità della mesh ha confermato l’indipendenza spaziale (<0.5% di variazione pressoria) e quella di periodicità ha evidenziato uno stato a regime (correlazione r > 0.98). L’analisi del gruppo pre-Ajmalina ha confermato la fedeltà fisiologica del modello (EF media 56.05% ± 3.08%, EDV medio 75.21 mL) e profili di flusso realistici, inclusi il tipico doppio picco di riempimento diastolico (onda E/A) e l’eiezione di picco sistolica ( 180 mL/s). Sono stati inoltre ricostruiti il gradiente pressorio apico-basale (picco sistole 26 mmHg). Questo lavoro fornisce dataset emodinamici ad alta risoluzione, ideali come riferimento virtuale per lo sviluppo e la validazione di algoritmi di denoising e super-risoluzione basati su deep learning, con l’obiettivo di migliorare qualità e applicabilità clinica della 4D Flow MRI.