Vers l'évaluation du risque des anévrismes de l'aorte abdominale par modélisation géométrique et simulations hémodynamiques d'ordre réduit

Abstract

Cette thèse se concentre sur une pathologie spécifique affectant la section abdominale de l'aorte, connue sous le nom d'anévrisme de l'aorte abdominale (AAA). Un anévrisme implique un affaiblissement persistant et localisé de la paroi du vaisseau, entraînant des élargissements et des renflements, provoquant une recirculation et une turbulence du flux sanguin.Notre thèse expose une méthodologie pour la modélisation géométrique des anévrismes abdominaux. Le processus comprend l'acquisition d'images de scanners CT, la reconstruction de la géométrie 3D de l'aorte et l'isolation de l'anévrisme. La phase de modélisation commence par l'identification et l'approximation de la ligne médiane du vaisseau aortique à l'aide de fonctions B-spline. La paroi aortique est ensuite partitionnée et profilée à l'aide de séries de Fourier.Pour évaluer son efficacité, la technique développée est appliquée à un ensemble de données de scanners CT de patients. Les reconstructions obtenues à partir des scans sont également présentées comme des exemples détaillant chaque étape de la procédure. De plus, une évaluation quantitative et la logique derrière les paramètres de modélisation sont expliquées. Ensuite, en tant que première application, la modélisation est intégrée à un processus de registration pour le diagnostic clinique et le suivi.La procédure de modélisation géométrique développée est utilisée dans un pipeline pour des simulations hémodynamiques et une évaluation des risques, en utilisant une approche de modélisation d'ordre réduit pour construire un espace de solution. Des simulations, utilisant des géométries paramétrées, sont réalisées dans des conditions réalistes, et des indicateurs de risque sont calculés et liés à la représentation géométrique à l'aide d'une fonction interpolante à base radiale. Enfin, des prédictions sur les indicateurs de risque sont obtenues pour une géométrie inconnue. Les résultats, bien que prometteurs, pourront être améliorés en augmentant de manière appropriée l'ensemble de données initial.Pour remédier à la pénurie mentionnée de données cliniques, nous avons élaboré un flux de travail automatisé pour générer des géométries synthétiques. Cette approche permet l'identification de paramètres géométriques pertinents et implique l'apprentissage automatique pour générer une population virtuelle de patients cohérente avec les données d'origine. En plus d'améliorer la capacité prédictive des modèles réduits, la méthode peut également être appliquée de manière prospective pour des essais in silico et des études impliquant des populations virtuelles de patients.