Abstract : Personalised cardiac modeling consists in creating virtual 3D simulations of real clinical cases with an electromechanical cardiac model through the estimation of biophysical parameter values for which the simulation match the clinical data. The goal of this modeling is to help clinicians in patient care by predicting the behaviour of the heart, but also improve the understanding of some pathologies from the estimated values of these biophysical parameters, which are hard to quantify from the imaging only.
We introduce this thesis by quantifying and propagating uncertainty in myocardial fibres orientation from a fibre atlas into a generic personalisation process. We show that the resulting uncertainty in the estimated parameters is extremely large compared to the physical variability of these parameters. This underlines the need for a more robust personalisation process which includes the uncertainty in parameter values, as an a priori for a possible clinical analysis.
In order to build a practical approach to parameter estimation, we first tackle the computational complexity of 3D models. To that end we introduce an original multiscale 0D/3D approach for cardiac models. We first build a multiscale coupling to approximate outputs of a 3D model with a reduced "0D" version of the same model. Then we derive from this coupling an efficient multifidelity optimisation algorithm for the 3D model.
In a second step, this algorithm is used to build more than 140 personalised 3D simulations, in the context of two studies involving the longitudinal analysis of the cardiac function. On one hand the analysis of long-term cardiomyopathy evolution under therapy, on the other hand the modeling of short-term cardiovascular changes during digestion. Through these studies we outline possible use cases of personalised parameter values in clinical practice.
Finally, after demonstrating the need to constrain and possibly select parameters to get consistent values for clinical applications, we present an algorithm to automatically detect and select observable directions in the parameter space from a set of measurements. This same algorithm estimates consistent population-based priors probabilities in these directions, which can be used to constrain the parameter estimation for cases where measurements are missing. This finally enables to perform consistent parameter estimations in a large clinical database of 811 cases with the 0D model.
Résumé : La modélisation cardiaque personnalisée consiste à créer des simulations de cas cliniques réels avec un modèle cardiaque électromécanique en estimant des valeurs de paramètres pour lesquelles la simulation correspond aux données cliniques. L’objectif de ces simulations est d’assister le clinicien dans le traitement des patients et possiblement de mieux comprendre l’évolution de certaine maladies. Un important aspect pour permettre de telles applications cliniques est l’estimation de valeurs pertinentes et cohérentes des paramètres de simulation.
D’abord nous quantifions et propageons l’incertitude sur l’orientation des fi-bres myocardiques, calculée à partir d’un atlas, dans un processus de personnalisation générique. Nous montrons que l’incertitude qui en résulte dans les paramètres estimés est extrêmement importante par rapport à la variabilité physique de ces paramètres. Cela montre la nécessité d’un processus de personnalisation plus robuste qui prend en compte l’incertitude sur les valeurs des paramètres.
Afin de concevoir une approche pratique de l’estimation des paramètres nousprésentons ensuite une approche multi-échelle 0D / 3D originale pour les modèles cardiaques. Nous construisons un couplage multiscalaire pour approximer les sorties d’un modèle 3D à partir d’une version "0D" réduite du même modèle. Ensuite, nous dérivons de ce couplage un algorithme efficace de personalisation pour le modèle 3D.
Dans un deuxième temps, nous utilisons cet algorithme pour construire plus de 140 simulations 3D personnalisées, dans le cadre de deux études impliquant l’analyse longitudinale de la fonction cardiaque. D’une part, l’analyse de l’évolution de la cardiomyopathie à long terme sous thérapie, d’autre part, la modélisation des changements cardiovasculaires à court terme pendant la digestion. Grâce à ces études, nous décrivons des cas d’utilisation possibles de valeurs de paramètres personnalisés dans la pratique clinique.
Enfin nous présentons un algorithme pour détecter et sélectionner automatiquement les directions observables dans l’espace des paramètres à partir d’un ensemblede mesures. Ce même algorithme estime des probabilités à priori basées sur lapopulation dans ces directions, qui peuvent ensuite être utilisées pour contraindre l’estimation de paramètres pour les cas où des mesures sont manquantes. Cela nous permet d’effectuer des estimations de paramètres cohérentes dans une grandes bases de données cliniques de 811 cas avec le modèle 0D.
