Physics-informed graph neural network surrogate for hemodynamics assessment in post-aneurysmal subarachnoid hemorrhage vasospasm

Aneurysmal subarachnoid hemorrhage can be followed by vascular complications, including cerebral vasospasm, which narrows intracranial arteries in the Circle of Willis and alters blood supply to downstream territories. Noradrenaline-induced blood pressure augmentation is a standard treatment strategy, yet clinical management remains challenging due to highly heterogeneous hemodynamic responses driven by patient-specific anatomy, collateral capacity, and vasospasm severity. This thesis develops a physics-informed graph neural network surrogate to rapidly predict Circle of Willis hemodynamics under vasospasm and noradrenaline related pressure support regimes, in order to simulate different clinically plausible therapeutic scenarios. The TopCoW Challenge dataset, consisting of 125 cerebral artery reconstructions, was modified to include anatomical variants and controlled vasospasm-induced narrowing. 3D steady-state CFD simulations were performed in SimVascular across three inlet flow regimes mimicking increasing pressure support. Each anatomy was represented as a centerline graph encoding geometric, topological, pathological, and hemodynamic information. Different architectures, training strategies, and feature sets were compared, leading to a fine tuned double decoder model trained with a clinically oriented configuration. Notably, the final model enables the simulation of different scenarios without requiring outlet resistance or inlet flow fraction values, which are not available in clinical practice, while preserving mass conservation. On the internal test set, the final model achieved a pressure relative error of 4.4% and a flow mean absolute error of 5.2%, with prediction times of a few hundredths of a second. External benchmarking showed predictive capability beyond the training domain.

L’emorragia subaracnoidea aneurismatica può essere seguita da complicanze vascolari, tra cui il vasospasmo cerebrale, che causa il restringimento delle arterie intracraniche del Circolo di Willis e altera l’apporto ematico ai territori a valle. L’aumento della pressione arteriosa indotto dalla noradrenalina rappresenta una strategia terapeutica standard; tuttavia, la gestione clinica rimane complessa a causa dell’elevata eterogeneità delle risposte emodinamiche, determinate dall’anatomia specifica del paziente, dalla capacità del circolo collaterale e dalla severità del vasospasmo. Questa tesi sviluppa un surrogato basato su graph neural network physics-informed per predire rapidamente l’emodinamica del Circolo di Willis in condizioni di vasospasmo e in regimi di supporto pressorio correlati alla noradrenalina, al fine di simulare diversi scenari terapeutici clinicamente plausibili. Il dataset della TopCoW Challenge, costituito da 125 ricostruzioni di arterie cerebrali, è stato modificato per includere varianti anatomiche e restringimenti controllati indotti dal vasospasmo. Simulazioni CFD 3D stazionarie sono state eseguite in SimVascular attraverso tre regimi di flusso in ingresso, volti a mimare un supporto pressorio progressivamente crescente. Ciascuna anatomia è stata rappresentata come un grafo di centerline, codificando informazioni geometriche, topologiche, patologiche ed emodinamiche. Sono state confrontate diverse architetture, strategie di training e insiemi di feature, portando alla definizione di un modello fine-tuned a doppio decoder, addestrato con una configurazione orientata al contesto clinico. In particolare, il modello finale consente la simulazione di diversi scenari senza richiedere valori di resistenza agli outlet o di frazione di flusso agli inlet, non disponibili nella pratica clinica, preservando al contempo la conservazione della massa. Sul test set interno, il modello finale ha raggiunto un errore relativo di pressione pari al 4.4% e un errore assoluto medio di flusso pari al 5.2%, con tempi di predizione dell’ordine di pochi centesimi di secondo. Il benchmarking esterno ha mostrato capacità predittive anche al di fuori del dominio di training.