Data-driven patient-specific models supporting decision making with application to atherosclerotic plaque analysis

Abstract

(English) This thesis advances finite element-based tools to improve atherosclerosis analysis by addressing current computational limitations. Atherosclerosis, the leading cause of ischaemic heart attacks, imposes a significant social and economic burden (estimated at around $1 trillion worldwide by 2030). In this disease, patients develop plaques from lipid accumulation in the arteries and these plaques can be prone to rupture or stable. Differentiating between these types is essential for effective clinical risk management. Fast, accurate, and robust computational methods can streamline the clinical pipeline and ultimately may help to assess atherosclerotic analysis. We use Finite Element Method (FEM) to simulate stress in atherosclerotic sections, as peak stress plays a key role in assessing rupture risk. Our methods are based on unfitted FEM, which simplify mesh generation, save computational and pre-processing time. Importantly, these methods can work directly on voxelized data such as medical images. The proposed unfitted approaches achieve accuracy within 5 % of that attained by classical fitted approaches and commercial software, for both linear and non-linear cases. Moreover, these methods incorporate a flexible and realistic boundary conditions that account for the influence of surrounding tissues. We also developed an Adaptive Model Reduction (AMR) technique based on a linear hypothesis, serving as a preliminary step toward creating fast surrogate models for near-real-time simulations. Validation experiments demonstrate that AMR decrease computational resource usage by over 70 % while maintaining an accuracy within a 9 % error margin compared to high-fidelity models. Finally, preliminary results indicate that using Topological Data Analysis (TDA) to build interpretable Machine Learning (ML) models can effectively assesses plaque rupture risk. Early experiments yield a classification accuracy of approximately 75 %, a performance comparable to established radiomics approaches. Overall, this doctoral work demonstrates that combining advanced FEMs with interpretable ML may provides nuanced insights into atherosclerotic plaque assessment. Future research should address potential limitations such as data variability and scalability to enable broader implementation of these computational techniques in clinical practice.

(Català) Aquesta tesi avança en eines basades en elements finits per millorar l'anàlisi de l'aterosclerosi abordant les limitacions computacionals actuals. L'aterosclerosi, la principal causa d'atacs cardíacs isquèmics, imposa una càrrega social i econòmica important (estimada al voltant d'1 bilió de dòlars a tot el món el 2030). En aquesta malaltia, els pacients desenvolupen plaques per acumulació de lípids a les artèries i aquestes plaques poden ser propenses a trencar-se o estables. Diferenciar entre aquests tipus és essencial per a una gestió eficaç del risc clínic. Els mètodes computacionals ràpids, precisos i robustos poden agilitzar el pipeline clínic i, en última instància, poden ajudar a avaluar l'anàlisi ateroscleròtica. Utilitzem el mètode dels elements finits (FEM) per simular l'estrès en seccions ateroscleròtiques, ja que l'estrès màxim juga un paper clau en l'avaluació risc de ruptura. Els nostres mètodes es basen en FEM no ajustats, que simplifiquen la generació de malles, estalvien temps computacional i de preprocessament. És important destacar que aquests mètodes poden funcionar directament en dades voxelitzades, com ara imatges mèdiques. Els enfocaments no ajustats proposats aconsegueixen una precisió del 5% de la que aconsegueixen els enfocaments ajustats clàssics i el programari comercial, tant per a casos lineals com no lineals. A més, aquests mètodes incorporen condicions de contorn flexibles i realistes que expliquen la influència dels teixits circumdants. També hem desenvolupat una tècnica de reducció de models adaptatius (AMR) basada en una hipòtesi lineal, que serveix com a pas preliminar cap a la creació de models substituts ràpids per a simulacions gairebé en temps real. Els experiments de validació demostren que l'AMR disminueix l'ús de recursos computacionals en més d'un 70% mentre manté una precisió dins d'un marge d'error del 9% en comparació amb els models d'alta fidelitat. Finalment, els resultats preliminars indiquen que l'ús de l'anàlisi de dades topològiques (TDA) per construir models interpretables d'aprenentatge automàtic (ML) pot avaluar eficaçment el risc de ruptura de la placa. Els primers experiments produeixen una precisió de classificació d'aproximadament el 75%, un rendiment comparable als enfocaments radiòmics establerts. En general, aquest treball doctoral demostra que la combinació de FEM avançats amb ML interpretable pot proporcionar informació matisada sobre l'avaluació de la placa ateroscleròtica. La investigació futura hauria d'abordar les limitacions potencials com la variabilitat i l'escalabilitat de les dades per permetre una implementació més àmplia d'aquestes tècniques computacionals en la pràctica clínica.

(Español) Esta tesis avanza en las herramientas basadas en elementos finitos para mejorar el análisis de la aterosclerosis abordando las limitaciones computacionales actuales. La aterosclerosis, principal causa de infartos isquémicos, impone una importante carga social y económica (estimada en alrededor de 1 billón de dólares en todo el mundo para 2030). En esta enfermedad, los pacientes desarrollan placas por acumulación de lípidos en las arterias y estas placas pueden ser propensas a la rotura o estables. Diferenciar entre estos tipos es esencial para una gestión clínica eficaz del riesgo. Unos métodos computacionales rápidos, precisos y robustos pueden agilizar el proceso clínico y, en última instancia, ayudar a evaluar el análisis aterosclerótico. Utilizamos el método de los elementos finitos (FEM) para simular la tensión en secciones ateroscleróticas, ya que la tensión máxima desempeña un papel clave en la evaluación del riesgo de rotura. Nuestros métodos se basan en el FEM no ajustado, que simplifica la generación de mallas y ahorra tiempo computacional y de preprocesado. Además, estos métodos pueden trabajar directamente con datos voxelizados, como las imágenes médicas. Los enfoques no ajustados propuestos alcanzan una precisión inferior en un 5% a la lograda por los enfoques ajustados clásicos y el software comercial, tanto para casos lineales como no lineales. Además, estos métodos incorporan unas condiciones de contorno flexibles y realistas que tienen en cuenta la influencia de los tejidos circundantes. También desarrollamos una técnica de reducción adaptativa de modelos (AMR) basada en una hipótesis lineal, que sirve como paso preliminar hacia la creación de modelos sustitutos rápidos para simulaciones en tiempo casi real. Los experimentos de validación demuestran que la AMR disminuye el uso de recursos computacionales en más de un 70 %, al tiempo que mantiene una precisión dentro de un margen de error del 9 % en comparación con los modelos de alta fidelidad. Por último, los resultados preliminares indican que el uso del análisis topológico de datos (TDA) para construir modelos interpretables de aprendizaje automático (ML) puede evaluar eficazmente el riesgo de rotura de la placa. Los primeros experimentos arrojan una precisión de clasificación de aproximadamente el 75 %, un rendimiento comparable al de los enfoques radiómicos establecidos. En general, este trabajo de doctorado demuestra que la combinación de FEM avanzados con ML interpretables puede proporcionar conocimientos matizados sobre la evaluación de la placa aterosclerótica. La investigación futura debe abordar las posibles limitaciones, como la variabilidad de los datos y la escalabilidad, para permitir una aplicación más amplia de estas técnicas computacionales en la práctica clínica.