[论文解读] Rapid model-guided design of organ-scale synthetic vasculature for biomanufacturing

Zachary A. Sexton, Andrew R. Hudson+8 more|arXiv (Cornell University)|Aug 15, 2023

3D Printing in Biomedical Research被引用 5

一句话总结

本论文提出了一种快速、基于模型引导的框架，用于在复杂、非凸解剖组织域中设计器官尺度的合成血管系统，结合部分隐式几何重建与物理信息血管网络生成器。该方法实现了高效、开环的合成血管化，1000个末端血管的构建时间低于100秒，覆盖20个脑区，实现了高体积精度，并支持完整的CFD兼容血管网络，适用于生物制造应用。

ABSTRACT

Our ability to produce human-scale bio-manufactured organs is critically limited by the need for vascularization and perfusion. For tissues of variable size and shape, including arbitrarily complex geometries, designing and printing vasculature capable of adequate perfusion has posed a major hurdle. Here, we introduce a model-driven design pipeline combining accelerated optimization methods for fast synthetic vascular tree generation and computational hemodynamics models. We demonstrate rapid generation, simulation, and 3D printing of synthetic vasculature in complex geometries, from small tissue constructs to organ scale networks. We introduce key algorithmic advances that all together accelerate synthetic vascular generation by more than 230-fold compared to standard methods and enable their use in arbitrarily complex shapes through localized implicit functions. Furthermore, we provide techniques for joining vascular trees into watertight networks suitable for hemodynamic CFD and 3D fabrication. We demonstrate that organ-scale vascular network models can be generated in silico within minutes and can be used to perfuse engineered and anatomic models including a bioreactor, annulus, bi-ventricular heart, and gyrus. We further show that this flexible pipeline can be applied to two common modes of bioprinting with free-form reversible embedding of suspended hydrogels and writing into soft matter. Our synthetic vascular tree generation pipeline enables rapid, scalable vascular model generation and fluid analysis for bio-manufactured tissues necessary for future scale up and production.

研究动机与目标

• 实现复杂、非凸解剖组织域中快速、可扩展的合成血管网络设计，以支持生物制造。
• 克服现有血管生成工具在复杂几何形状下表现不佳且需大量人工干预的局限性。
• 整合部分隐式几何重建与基于物理的血管网络生成器，以确保解剖学保真度与血流兼容性。
• 在血管网络生成中实现高计算效率与高精度，支持后续CFD模拟。
• 在多种具有临床相关性的脑区中定量验证该方法的性能。

提出的方法

• 该方法使用部分隐函数从分割后的点云重建复杂组织域，实现精确、紧凑且光滑的流形表示。
• 采用改进的CCO（构造共形优化）算法，在假设Hagen-Poiseuille流动与水力阻力类比的基础上，生成具有1000个末端分支的开环血管树。
• 通过固定指数（αr=2, αl=1, γ=3）的形态测量缩放定律与分叉比，确保生物学上合理的分支结构。
• 水力阻力通过 R = 8μl / (πr⁴) 计算，并在每个分叉处通过基尔霍夫定律强制执行流量与压力守恒。
• 采用具有可调紧支撑（h>0）的加权函数，确保在补丁边界处无不连续性的平滑、连续几何表示。
• 该框架通过在隐式组织域内生成闭合、无渗漏的血管网络，实现完整的CFD兼容性。

实验结果

研究问题

• RQ1 基于模型引导的方法是否能在复杂、非凸解剖组织域中以高精度和低计算成本生成器官尺度的合成血管系统？
• RQ2 部分隐式几何重建的整合如何提升血管网络生成的保真度与效率？
• RQ3 与标准CCO基准相比，该方法在构建时间与体积精度方面有何性能提升？
• RQ4 该方法在多大程度上能保持合成血管网络的血流动力学一致性与解剖学真实性？
• RQ5 该框架是否能在多种具有临床相关性的脑区中实现泛化，且仅需最少的用户输入？

主要发现

• 在20个非凸脑区中，该方法实现了平均1.2%的体积重建误差，其中第三脑室的重建最为精确（误差0.02%）。
• 所有20个脑区的合成血管网络构建时间均低于100秒，构建时间范围为43.77秒（左侧下丘）至284.56秒（左侧上额回）。
• 标准CCO算法的平均基准时间超过3000秒，而本方法的构建时间低于300秒，性能提升达10倍。
• 该方法成功在高度复杂、非凸区域（如下丘脑，2316个补丁，52.26秒构建时间；中脑，2438个补丁，53.92秒构建时间）中生成了血管网络。
• 使用部分隐式方法进行点包含性检测表现出高敏感性与特异性，所有测试几何中误拒收率与误包含率均低于5%。
• 该框架实现了完整的CFD兼容血管化，如视频S3所示，展示了在0.25 mL/min稳定灌注下，平面合成FRESH网络的性能。