BrainMeshr: an automated computational-learning workflow for patient-specific brain MRI-to-Mesh generation

This thesis presents BrainMeshr, a novel automated computational framework for the generation of subject-specific, multi-volume tetrahedral meshes of the human brain from magnetic resonance imaging (MRI). The aim of BrainMeshr is to provide a robust, reproducible, and user-accessible workflow for brain mesh generation in both pediatric and adult subjects, limiting the need for manual intervention and technical expertise. The computational workflow is designed to connect medical image processing with computational modelling by producing labelled volumetric meshes suitable for visualization, quality assessment, and numerical simulation. By targeting both pediatric and adult MRI data, BrainMeshr addresses the need for a flexible meshing framework capable of handling anatomical variability across age groups. The computational workflow also aims to provide an extensible basis for future developments, including additional anatomical compartments, improved validation against manual references, adaptive refinement strategies, and integration with advanced numerical solvers.

Questa tesi presenta BrainMeshr, un nuovo framework computazionale automatizzato per la generazione di mesh tetraedriche multi-volume, specifiche per soggetto, del cervello umano a partire da immagini di risonanza magnetica (MRI). L’obiettivo di BrainMeshr è fornire un flusso di lavoro robusto, riproducibile e accessibile all’utente per la generazione di mesh cerebrali in soggetti pediatrici e adulti, limitando la necessità di intervento manuale e di competenze tecniche specialistiche. Il flusso di lavoro computazionale è progettato per collegare l’elaborazione di immagini mediche con la modellazione computazionale, producendo mesh volumetriche etichettate adatte alla visualizzazione, alla valutazione della qualità e alla simulazione numerica. Lavorando sia su dati MRI pediatrici sia adulti, BrainMeshr risponde alla necessità di un framework di meshing flessibile, capace di gestire la variabilità anatomica tra diverse fasce d’età. Il flusso di lavoro computazionale mira inoltre a fornire una base estendibile per sviluppi futuri, tra cui l’inclusione di compartimenti anatomici aggiuntivi, una validazione più approfondita rispetto a riferimenti manuali, strategie di raffinamento adattivo e l’integrazione con solutori numerici avanzati.