ETD

• aneurysm
• cfd simulations
• ecmo
• pulmonary arteries
• statistical shape model

Cardiovascular diseases remain the leading cause of death worldwide, with conditions such as thoracic aortic aneurysms and congenital heart diseases representing a significant clinical burden. While imaging modalities such as CT and MRI provide detailed anatomical information, they are not sufficient to capture hemodynamic conditions, which are crucial for diagnosis, prognosis, and treatment planning. In this context, computational modeling, through Statistical Shape Modeling (SSM) and Computational Fluid Dynamics (CFD), enables a quantitative link between anatomy and biomechanics.
This thesis introduces a novel non-rigid registration algorithm that allows the inclusion of supra-aortic vessels in statistical models of the thoracic aorta, improving anatomical realism and the definition of boundary conditions in CFD simulations. The proposed framework is applied to investigate the relationship between aortic morphology and hemodynamics, to study the impact of vascular geometry in VA-ECMO patients, and to demonstrate its generalizability to pulmonary arteries in Tetralogy of Fallot. Furthermore, integration with artificial intelligence techniques enables the generation of realistic synthetic datasets for training deep learning models. Overall, this work shows how combining shape modeling, CFD, and AI can support the advancement of precision cardiovascular medicine.

Le malattie cardiovascolari rappresentano ancora oggi la principale causa di morte a livello globale, e patologie come l’aneurisma dell’aorta toracica e le cardiopatie congenite contribuiscono significativamente a questo carico. Sebbene tecniche di imaging come CT e MRI forniscano informazioni anatomiche dettagliate, esse non sono sufficienti a descrivere le condizioni emodinamiche, fondamentali per diagnosi, prognosi e pianificazione terapeutica. In questo contesto, la modellazione computazionale, attraverso Statistical Shape Modeling (SSM) e Computational Fluid Dynamics (CFD), consente di collegare anatomia e biomeccanica in modo quantitativo.
Questa tesi introduce un nuovo algoritmo di registrazione non rigida che permette di includere i vasi sopra-aortici nei modelli statistici dell’aorta toracica, migliorando il realismo anatomico e la definizione delle condizioni al contorno nelle simulazioni CFD. Il framework è stato applicato per analizzare la relazione tra morfologia ed emodinamica aortica, per studiare l’impatto della geometria nei pazienti in VA-ECMO e per dimostrare la generalizzabilità del metodo alle arterie polmonari in pazienti con Tetralogia di Fallot. Inoltre, l’integrazione con tecniche di intelligenza artificiale ha consentito la generazione di dati sintetici realistici per il training di modelli di deep learning. Complessivamente, il lavoro dimostra come l’integrazione tra modellazione della forma, CFD e AI possa supportare lo sviluppo della medicina di precisione cardiovascolare.