Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Mod´
elisation et simulation num´
erique
du flux sanguin
Laurent Dumas
Laboratoire de Math´ematiques de Versailles Universit´e de Versailles Saint Quentin en Yvelines
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
1 Mod´elisation du flux sanguin
2 Optimisation par m´ethodes ´evolutionnaires
3 Optimisation et mod`eles approch´es
4 Simulation num´erique du flux sanguin
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
1 Mod´elisation du flux sanguin
2 Optimisation par m´ethodes ´evolutionnaires
3 Optimisation et mod`eles approch´es
4 Simulation num´erique du flux sanguin
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Pr´
esentation du probl`
eme
La mod´elisation et la simulation num´erique des ´ecoulements sanguins dans l’arbre art´eriel est un probl`eme g´en´eral complexe car elle n´ecessite des simulations tridimensionnelles avec interaction fluide-structure.
Une des difficult´es de cette mod´elisation est lad´etermination
pr´ecise des nombreux param`etres du mod`ele pour un patient
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Pr´
esentation du probl`
eme
Afin de r´eduire les coˆuts de telles simulations, des mod`eles simplifi´es monodimensionnels d’interaction fluide structure avec bifurcation d’art`eres ont ´et´e d´evelopp´es.
Le but est ici de reconstruire fid`element `a l’aide de mesures non
invasives toutes les variables h´emodynamiques et m´ecaniques
d’un patient donn´e(pression, vitesse, modules de Young, etc...)
pour l’ensemble de son r´eseau art´eriel.
Grˆace `a une telle reconstruction, le praticien disposera d’informations utiles `a un d´epistage pr´ecoce des principales maladies cardiovasculaires.
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Dispositif exp´
erimental
Le processus exp´erimental, non invasif et bien adapt´e au probl`eme, est d´ej`a disponible et s’appelle l’echotracking.
Il mesure `a l’aide de techniques Doppler, les diam`etres art´eriels et les vitesses centrales `a diverses positions du r´eseau art´eriel.
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Dispositif exp´
erimental
Les donn´ees d’echotracking utilis´ees ici ont ´et´e fournies par l’´equipe de pharmacologie de l’Hopital Georges Pompidou. Parmi les donn´ees disponibles pour diff´erents patients, les
mesures temporelles de diam`etre d’art`ere et de vitesse centrale
seront utilis´ees ici :
0.81 0.82 0.83 0.84 0.85 0.86 0.87 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
Diamètre interadventiciel Vitesse centrale
s s cm - 30 - 20 - 10 0 10 20 30 40 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 cm/s
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
D´
epistage des maladies cardiovasculaires
Actuellement, le test associ´e de d´epistage des maladies cardiovasculaires est bas´ee sur le calcul d’un param`etre appel´e PWV (Pulse Wave Velocity).
Ce coefficient est reli´e `a la rigidit´e de l’art`ere `a l’aide de la relation : PWV = L ∆t = s Eh 2r ρ o`u E d´esigne le module de Young de l’art`ere.
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Mod´
elisation du flux sanguin : hypoth`
eses
y x z O Section circulaire Ωt
Pour chaque art`ere, le domaine Ωt est cylindrique, orient´e selon
Oz, et de longueur constante L.
Les quantit´es impliqu´ees sont suppos´ees constantes sur chaque section de l’art`ere.
R´ef´erences : Formaggia, Nobile, Quarteroni (2001),Sherwin et al. (2003), Gerbeau et al. (2005).
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
D´
erivation des ´
equations du mod`
ele
Apr`es int´egration des ´equations de Navier Stokes sur chaque section, on obtient le syst`eme d’inconnues Ai(t, z) (section de
l’art`ere) et Qi(t, z) (d´ebit moyen) relatif `a l’art`ere i :
∂Ai ∂t + ∂Qi ∂z = 0 ∂Qi ∂t + ∂ ∂z Q2 i Ai +Ai ρ ∂Pi ∂z + Kr Qi Ai = 0
Une loi de comportement lin´eaire ´elastique compl`ete le syst`eme :
Pi− Pext = βi(z) p Ai(z, t) − q A0,i(z)
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Les param`
etres du mod`
ele
Le param`etre Kr repr´esente la r´esistance visqueuse de
l’´ecoulement par unit´e de longueur du tube et est consid´er´e connu dans cette ´etude.
Les principaux param`etres devant ˆetre estim´es sontles
coefficients βi de chaque art`ere. Cette valeur, proportionnelle `a la
rigidit´e de l’art`ere peut ˆetre constante ou d´ependre de z. Il existe une valeur th´eorique de βi issu d’une moyennisation formelle :
βi(z) =
4√πh0Ei(z)
3A0
o`u h0 et Ei(z) repr´esentent respectivement l’´epaisseur et le
module de Young de l’art`ere i .
Un autre param`etre important du mod`ele estla section de
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Forme conservative du mod`
ele
Le mod`ele pr´ec´edent peut ˆetre r´ecrit sous forme conservative :
∂U ∂t + ∂F (U) ∂z = B(U) o`u U = (A, Q)t et F (U) = Q Q2 A + β 3ρA 3 2 .
Il peut ˆetre observ´e que ce syst`eme est hyperbolique et que le Jacobien H = ∂F
∂U admet toujours deux valeurs propres r´eelles de signe oppos´e pour les valeurs admissibles de U : λi = QA ± c o`u
c = s A ρ ∂p ∂A
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Conditions aux limites
Le syst`eme est compl´et´e par deux conditions aux limites appropri´ees pour les variables caract´eristiques W1 et W2. En
particulier, une pression (ou une section) peut ˆetre impos´eeen entr´ee.
Aux bifurcations, trois conditions additionnelles sont impos´ees
(conservation de la masse et deux conditions sur la pression).
Aux sorties, une condition num´erique artificielle correspondant `a
une r´esistance ´equivalente du r´eseau en aval est impos´ee.
(A2,Q2)
(A3,Q3)
(A1,Q1)
(R2)
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Probl`
eme inverse : la fonction coˆ
ut
En vue de la construction d’un r´eseau art´eriel utilisant les r´esultats d’un echotracking, la foncion coˆut `a minimiser est du type suivant : J(βi, ...) = X pts∈{P1,...,PN} M X i =1 (errA(ti, pts) + errQ(ti, pts)) avec
errA(ti, pts) = |A(ti, pts) − Aexp(ti, pts)|2
errQ(ti, pts) = |Q(ti, pts) − Qexp(ti, pts)|2
Les nombres minimaux N de points en espace et M de points en temps, permettant de reconstruire correctement le flux sanguin β doivent en particulier ˆetre d´etermin´es.
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
1 Mod´elisation du flux sanguin
2 Optimisation par m´ethodes ´evolutionnaires
3 Optimisation et mod`eles approch´es
4 Simulation num´erique du flux sanguin
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Probl`
eme d’optimisation `
a r´
esoudre
On s’int´eresse donc ici au probl`eme de l’optimisation globale
d’une fonction J : O ⊂ IRn→ IR dont l’´evaluation est complexe et coˆuteuse.
En g´en´eral, la fonction J est ´evalu´ee `a partir de la r´esolution d’une EDP ou d’un syst`eme d’EDP, ici le syst`eme coupl´e d’EDP sur le r´eseau d’art`eres.
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
M´
ethodes existantes
L’estimation du gradient de la fonction est en g´en´eral difficile `a obtenir, d’o`u la n´ecessit´e de recourir `a des m´ethodes
d’optimisation sans d´eriv´ees.
Il n’existe par ailleurs aucune m´ethode d’optimisation globale d´eterministe, hormis pour certaines fonctions particuli`eres comme les polynˆomes.
Dans le cas g´en´eral, le choix se restreint aux m´ethodes d´eterministes multi-start ou aux algorithmes ´evolutionnaires. Il est alors en g´en´eral n´ecessaire de r´efl´echir `a des strat´egies
d’acc´el´eration de convergencepour obtenir un temps de calcul
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Algorithmes ´
evolutionnaires : historique
Les algorithmes ´evolutionnaires (algorithmes g´en´etiques,
strat´egies d’´evolution, PSO, etc...) sont des m´ethodes
stochastiques d’optimisation qui tirent leur nom d’une analogie avec certaines lois d’´evolution biologiques, voire ´economiques. R´ef´erences : Holland (1976), Goldberg (1989), Cerf (1994), Schoenaueur (1996), Hansen (2001), etc...
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Principe g´
en´
eral d’un algorithme g´
en´
etique (GA)
Choix d’une population initiale P1= {Xi1∈ O, 1 ≤ i ≤ Np}
for ng from 1 to Ngen
Evaluationde {J(Xng i ), 1 ≤ i ≤ Np}. for k from 1 to Np 2 Selectionde (Xng α , X ng
β ) en fonction de leur facteur de sant´e.
Croisement: remplacer (Xng α , X ng β ) par (Y ng α , Y ng β ). Mutation: remplacer (Yng α , y ng β ) par (Z ng α , z ng β ). end for
Generation de la nouvelle population Png.
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Principe g´
en´
eral d’une strat´
egie d’´
evolution (ES)
Choix d’une population initiale de µ parents : P1= {Xi1∈ O, 1 ≤ i ≤ µ}
for ng from 1 to Ngen
Creation d’une population de λ ≥ µ enfants Ong par :
Croisement`a ω parents Yng i = 1 ω( Pω j =1X ng j ) Mutation: remplacer Yng i par Z ng i Evaluationde {J(Zng i ), 1 ≤ i ≤ λ}
Selectiondes meilleurs µ parents dans la population Png ∪ Ong.
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Principe g´
en´
eral d’un essaim de particules (PSO)
Choix d’une population initiale P1= {(Xi1, vi1, p1i), 1 ≤ i ≤ Np}
de particules ayant la position actuelle Xi ∈ O, la vitesse vi et
une meilleure position pi.
for ng from 1 to Ngen
Evaluationde {J(Xng
i ), 1 ≤ i ≤ Np}.
Actualisation de la meilleure position individuelle et globale(png
g )
Calculdes nouvelles vitesses de chaque particule : vng+1 i = ωv ng i + c1ρ1(p ng i − x ng i ) + c2ρ2(p ng g − x ng i )
Calculdes nouvelles positions de chaque particule : Xng+1 i = X ng i + v ng+1 i end for
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Un r´
esultat de convergence pour les ES
Il existetr`es peu de r´esultats de convergencedes Algorithmes Evolutionnaires.
La plupart de ces r´esultats concernent des fonctions sph´eriques : J(x ) = g (||x ||2) avec g croissante.
Soit par exemple une strat´egie d’´evolution (1, 1) repr´esent´ee par la suite de vecteurs al´eatoires (Xn) et ayant une mutation
gaussienne de variance σ||Xn||. Sous certaines hypoth`eses
techniques et pour une fonction sph´erique, Xnconverge presque
surement vers le minimum de J et :
lim n→+∞ 1 nln ||Xn|| ||X0|| = c < 0
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
1 Mod´elisation du flux sanguin
2 Optimisation par m´ethodes ´evolutionnaires
3 Optimisation et mod`eles approch´es
4 Simulation num´erique du flux sanguin
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Mod`
eles approch´
es
On cherche ici `a construire une fonction approch´ee ˜J (appel´ee aussimetamod`ele ou surface de r´eponse) de la fonction exacte J `
a partir d’un certain nombre de points {Xi, 1 ≤ i ≤ N} o`u la
fonction exacte est suppos´ee connue.
De tels mod`eles sont incorpor´es dans le processus d’optimisation afin de r´eduire le nombre d’´evaluations de la fonction exacte.
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Mod`
eles approch´
es : m´
ethode de krigeage
La premi`ere m´ethode pr´esent´ee ici, appel´ee m´ethode de
krigeage, est une m´ethode probabiliste bas´ee sur la minimisation de la variance de l’estimation en un point X donn´e.
L’approximation de la fonction coˆut en un point X ∈ IRns’´ecrit :
ˆ J(X ) = N X i =1 ω(Xi)J(Xi)
On suppose par ailleurs que J(X ) est une r´ealisation de la variable al´eatoire j (X ) dont la covariance est connue :
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Mod`
eles approch´
es : m´
ethode de krigeage
En cherchant `a minimiser var (ˆj(X ) − j (X )) tout en imposant E (ˆj(X ) − j (X )) = 0, on aboutit `a une relation permettant de d´eterminer ˆJ(X ) :
ˆ
J(X ) = KTC−1z
o`u K est le vecteur colonne de terme g´en´eral c(Xi, X ), C est la
matrice de terme g´en´eral c(Xi, Xj), et z le vecteur colonne de
terme g´en´eral J(Xi).
Une estimation de la variance au point X est ´egalement disponible :
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Mod`
eles approch´
es : m´
ethode de krigeage
La fonction de corr´elation est en g´en´eral choisie comme ´etant de type exponentielle : c(X , Y ) = θ1exp − 1 2 n X i =1 (xi− yi)2 r2 i ! + θ2
Les param`etres Θ = (θ1, θ2, r1, ..., rn) sont alors d´etermin´es par
le principe du maximum de vraisemblance, c’est `a dire en maximisant la fonction : L(Θ) = p(J(X1), ..., J(XN)) = 1 p(2π)Ndet C exp −1 2z TC−1z
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Mod`
eles approch´
es : m´
ethode RBF
Une autre m´ethode possible, appel´ee m´ethode RBF, est
construite comme une combinaison lin´eaire de fonctions radiales centr´ees en chacun des points Xi.
L’approximation de la fonction coˆut en un point X ∈ IRns’´ecrit alors : ˜ J(X ) = N X i =1 wih(||X − Xi||)
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Mod`
eles approch´
es : m´
ethode RBF
Les poids (wi)1≤i ≤N sont calcul´es par r´esolution de l’´equation
matricielle Aw = z traduisant l’exactitude du r´eseau sur les points (Xi)1≤i ≤N, o`u la matrice A ∈ MN(R) a pour terme
g´en´eral ai ,j = h(||Xi− Xj||) et le second membre a pour terme
g´en´eral zi = J(Xi).
On a donc ici :
˜
J(X ) = RTA−1z
o`u R est le vecteur colonne de terme g´en´eral h(||X − Xi||).
Pour des fonctions h bien choisies, on peut montrer que la matrice A est toujours inversible voire d´efinie positive.
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Mod`
eles approch´
es : m´
ethode RBF
Afin de d´eterminer les param`etres optimaux des fonctions de base du mod`ele RBF, une m´ethode de type ’leave-one out’ peut ˆ
etre utilis´ee.
Cette m´ethode consiste `a entrainer le r´eseau sur tous les points sauf un et `a tester l’erreur commise sur ce point. En r´ep´etant ce proc´ed´e sur tous les points, on aboutit `a une erreur globale qu’il s’agit de rendre minimale.
La m´ethode RBF rejoint alors la m´ethode de krigeage si une fonction gaussienne est choisie dans les deux cas. Seule la fa¸con de chercher les param`etres optimaux de cette gaussienne diff`erent.
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Mod`
eles approch´
es : m´
ethode RBF
Dans le cas o`u le nombre de points N est tr´es grand, la matrice A peut ˆetre mal conditionn´ee. Afin d’´eviter ce probl`eme, deux choix sont possibles.
Soit un proc´ed´e de r´egularisation de Tychonov est ajout´e permettant de r´eduire le conditionnement de A. Dans ce cas, la m´ethode RBF cesse d’ˆetre une m´ethode d’interpolation.
Soit le nombre de points N est r´eduit `a m en ne consid´erant que les plus proches points du point X `a calculer. Dans ce cas, le r´eseau construit devient local.
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Mod`
eles approch´
es : sparse grids
La m´ethode des sparse grids (introduite en 1963 par Smoliak pour l’int´egration num´erique) est unem´ethode hi´erarchique
d’interpolation bien adapt´ee au cas des grandes dimensions.
Le principe consiste `a construire en 1D l’interpolation de mani`ere hi´erarchique puis `a effectuer un produit tensoriel en ne gardant que les fonctions de base dont le support est le plus ´etendu :
¯ J(X ) = X |(i1,...,in)|1≤k+n ∆i1(x1) ⊗ ... ⊗ ∆in(xn) o`u ∆i(x ) = gi(x ) − gi −1(x ) = X xi j∈X∆i (J(xji) − gi −1(xji))a i j(x )
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Mod`
eles approch´
es : sparse grids
En dimension n, la m´ethode des sparse grids au niveau k permet
d’approcher une fonction r´eguli`ere avec une erreur de l’ordre de
O(k−2(log k)n−1) avec O(k(log k)n−1) points (au lieu de
O(k−2) avec kn points pour une grille uniforme).
Diff´erents type de sparse grids existent (en fonction de la r´epartition des points et des fonctions de base). On utilise ici les sparse grids qui utilise les points et les polynˆomes de Chebychev permettant d’obtenir une approximation polynomiale.
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Mod`
eles approch´
es : sparse grids
Exemple d’approximation de la fonction de Michalewicz pour un niveau N = 4 (29 points) :
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Couplage fort/faible
Il existe deux types de couplage possibles entre les m´ethodes d’optimisation et les mod`eles approch´es pour optimiser une fonction J donn´ee.
La premi`ere id´ee consiste `a piloter l’optimisation avec l’algorithme d’optimisation (´evolutionnaire en g´en´eral) et `a utiliser le mod`ele approch´e pour un certain nombres d’´evaluations (couplage fort).
La deuxi`eme id´ee consiste `a piloter l’optimisation avec le mod`eles approch´e en utilisant un algorithme d’optimisation pour am´eliorer sa pr´ecision au cours des it´erations (couplage faible).
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Exemple de couplage fort : l’algorithme AGA
A partir d’unebase de type Algorithme G´en´etique, un algorithme plus performant, appel´e AGA, a ´et´e construit.
Il consiste `a n’´evaluer exactement que les points les plus performants suite `a unepr´e-´evaluation approch´ee par une
m´ethode de type RBF.
Le nombre de tels points d´ecroit au cours des g´en´erations pour ne plus concerner qu’un seul ´el´ement lors de la derni`ere g´en´eration de l’algorithme.
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Exemple d’utilisation de l’algorithme AGA
Sur la fonction de Rastrigin, le gain compar´e `a un AG classique se situe entre un facteur 2 et 10 (pour n = 6 et n = 20
repr´esent´es ci dessous) :
0 500 1000 1500 2000 2500 0 2 4 6 8 10 12 14 16 18 20 convergence history Neval fmin AGA GA 0 2000 4000 6000 8000 10000 12000 0 20 40 60 80 100 120 convergence history Neval fmin AGA GA
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Exemple de couplage faible : l’algorithme GOSGrid
Dans cette nouvelle approche,la m´ethode des sparse grids est
utilis´ee comme metamod`ele global.
L’id´ee de l’algorithme consiste `a am´eliorer la repr´esentativit´e du mod`ele `a l’aide d’un principe dereprise locale dans les zones d’int´erˆet.
A un niveau hi´erarchique donn´e, les zones d’int´erˆet sont recherch´ee par une m´ethode d’optimisation de type gradient (donc locale) ou ´evolutionnaire (donc globale).
Une telle approche est particuli`erement adapt´ee aux probl`emes en grande dimension vu les propri´et´es de l’interpolation par sparse grids.
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Exemple d’utilisation de l’algorithme GOSGrid
Les premiers r´esultats mettent en ´evidence un gain important compar´e `a un ES performant (exemple ci-dessous : fonction de Michalewicz en dimension 5) .
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
1 Mod´elisation du flux sanguin
2 Optimisation par m´ethodes ´evolutionnaires
3 Optimisation et mod`eles approch´es
4 Simulation num´erique du flux sanguin
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Simulation num´
erique d’une art`
ere saine
L’objectif de cette premi`ere simulation est d’ajuster le mod`ele 1D aux r´esultats d’un mod`ele 3D existant (calcul´e `a l’aide du logiciel LifeV).
Un algorithme g´en´etique est utilis´e ici pour d´eterminer la valeur optimale de β. La fonction coˆut est bas´ee sur les profils de A et Q en trois positions.
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Simulation num´
erique d’une art`
ere saine
Il s’av`ere en fait possible de retrouver les r´esultats du mod`ele 3D `
a un coˆut largement moindre.
0.000 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 0.775 0.780 0.785 0.790 0.795 0.800 0.805 0.810 0.815 0.000 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 −5 0 5 10 15 20 pt P (calcul 3D) pt P(modèle 1D) pt M (calcul 3D) pt M (modèle 1D) pt D (calcul 3D) pt D (modèle 1D) 0.000 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 −2000 0 2000 4000 6000 8000 10000 12000 14000 pt P (calcul 3D) pt M (calcul 3D) pt D (calcul 3D) pt P(modèle 1D) pt M (modèle 1D) pt D (modèle 1D) pt P (calcul 3D) pt P(modèle 1D) pt M (calcul 3D) pt M (modèle 1D) pt D (calcul 3D) pt D (modèle 1D)
A noter aussi que le coefficient β optimal est largement inf´erieur `
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Simulation num´
erique d’une art`
ere st´
enos´
ee
L’objectif de cette nouvelle simulation est de reconstruire la fonction de rigidit´e d’une art`ere z 7→ β(z) en supposant que celle-ci est du type suivant :
Les 4 inconnues associ´ees sont la position et la rigidit´e de la plaque : a1, a2, β1et β2.
Les probl`emes inverses pr´esent´es ici sont construits `a partir de donn´ees synth´etiques calcul´ees avec le mod`ele 1D.
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Simulation num´
erique d’une art`
ere st´
enos´
ee
Quand les profils de A et Q sont connus en 3 positions diff´erentes, il est possible de reconstruire la forme exacte de la fonction de rigidit´e. 0.000 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 0.76 0.77 0.78 0.79 0.80 0.81 0.82 0.83
valeurs de section issues du calcul cible 1D en 3 points
t p 0.000 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 −2 0 2 4 6 8 10 12 14 16
valeurs de debit issues du calcul cible 1D en 3 points
t p pt P (calcul cible) pt M (calcul cible) pt D (calcul cible) pt P(après optmim.) pt M (après optmim.) pt D (après optmim.) 0.000 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 −10000 −5000 0 5000 10000 15000 20000
valeurs de pression issues du calcul cible 1D en 3 points
t p pt P (calcul cible) pt M (calcul cible) pt D (calcul cible) pt P(après optmim.) pt M (après optmim.) pt D (après optmim.)
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Simulation num´
erique d’une art`
ere st´
enos´
ee
Quand les profils de A et Q sont connus seulement en une position en aval du saut de rigidit´e, il est encore possible de localiser la plaque et de donner une estimation du saut de rigidit´e, assez peu pr´ecise cependant.
0.000 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 0.76 0.77 0.78 0.79 0.80 0.81 0.82 0.83
valeurs de section issues du calcul cible 1D en 3 points
t p 0.000 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 −2 0 2 4 6 8 10 12 14 16
valeurs de debit issues du calcul cible 1D en 3 points
t p pt P (calcul cible) pt M (calcul cible) pt D (calcul cible) pt P(après optmim.) pt M (après optmim.) pt D (après optmim.) 0.000 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 −10000 −5000 0 5000 10000 15000 20000
valeurs de pression issues du calcul cible 1D en 3 points
t p pt P (calcul cible) pt M (calcul cible) pt D (calcul cible) pt P(après optmim.) pt M (après optmim.) pt D (après optmim.) pt P (calcul cible) pt M (calcul cible) pt D (calcul cible) pt P(après optmim.) pt M (après optmim.) pt D (après optmim.)
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Simulation num´
erique des art`
eres d’un patient sain
La simulation pr´esent´ee ici a consist´e `areconstruire le r´eseau
art´eriel des membres inf´erieurs d’un patient sain`a l’aide de
mesures non invasives par echotracking en quelques points du r´eseau.
Artère fémorale commune Artère fémorale superficielle
Artère fémorale profonde Artère poplité
Artèe tibiale postérieure Artère descendante du genou Artère tibiale antérieure
1 2 3 5 4 6 7
Le mod`ele fluide-structure simplifi´e pr´ec´edent a ´et´e utilis´e pour mod´eliser le r´eseau art´eriel. Le probl`eme inverse `a r´esoudre poss`ede pour inconnues les param`etres physiques et num´eriques du mod`ele.
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Simulation num´
erique des art`
eres d’un patient sain
La fonction coˆut `a minimiser est construite `a partir des 4 mesures r´ealis´ees par echotracking :
J2(ψ) =
X
k∈{1,2,4,6}
kQ(ψ, k) − Q∼ echo(k)kl2
kQecho(k)kl2
o`u les param`etres ψ `a d´eterminer sont :
Les coefficients β de chacune des art´eres du r´eseau : βi,
i ∈ {1, . . . , 7}.
Les coefficients Rt r´eglant les r´esistance en sortie de r´eseau : Rti,
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Simulation num´
erique des art`
eres d’un patient sain
Artère iliaque interne
Artère poplité
Artère femorale superficielle
Artère tibiale antérieure
s s
s s
cm/s cm/s
cm/s cm/s
Vitesse moyenne mesurée par écho-tracking Vitesse moyenne simulée
J2 Q
Patient 1 : résultats obtenus avec la fonction
- 15 - 10 - 5 0 5 10 15 20 25 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 - 15 - 10 - 5 0 5 10 15 20 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 - 15 - 10 - 5 0 5 10 15 20 25 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 - 4 - 2 0 2 4 6 8 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Simulation num´
erique des art`
eres d’un patient sain
Artère iliaque interne
Artère poplité
Artère femorale superficielle
Artère tibiale antérieure
s s
s s
cm/s cm/s
cm/s cm/s
Vitesse moyenne mesurée par écho-tracking Vitesse moyenne simulée
J2 Q
Patient 1 : résultats obtenus avec la fonction
- 15 - 10 - 5 0 5 10 15 20 25 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 - 15 - 10 - 5 0 5 10 15 20 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 - 15 - 10 - 5 0 5 10 15 20 25 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 - 4 - 2 0 2 4 6 8 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Simulation num´
erique des art`
eres d’un patient sain
Artère iliaque interne
Artère poplité
Artère femorale superficielle
s s
s
cm cm
cm
Aire de la section mesurée par écho-tracking Aire de la section simulée
J2 Q Patient 1 : résultats obtenus avec la fonction
0.50 0.55 0.60 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 2 2 2 0.502 0.504 0.506 0.508 0.510 0.512 0.514 0.516 0.518 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.395 0.400 0.405 0.410 0.415 0.420 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Simulation num´
erique des art`
eres d’un patient sain
Artère iliaque interne
Artère poplité
Artère femorale superficielle
s s
s
cm cm
cm
Aire de la section mesurée par écho-tracking Aire de la section simulée
J2 Q Patient 1 : résultats obtenus avec la fonction
0.50 0.55 0.60 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 2 2 2 0.502 0.504 0.506 0.508 0.510 0.512 0.514 0.516 0.518 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.395 0.400 0.405 0.410 0.415 0.420 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Simulation num´
erique des art`
eres d’un patient sain
Profils d’aire et de vitesse pour les 4 art`eres :
Artère iliaque interne
Artère poplité
Artère femorale superficielle
Artère tibiale antérieure
s s
s s
cm/s cm/s
cm/s cm/s
Vitesse moyenne mesurée par écho-tracking Vitesse moyenne simulée
J2
Q
Patient 1 : résultats obtenus avec la fonction
- 15 - 10 - 5 0 5 10 15 20 25 0.00.10.2 0.30.40.50.6 0.70.80.91.0 - 15 - 10 - 5 0 5 10 15 20 0.00.10.2 0.30.40.50.6 0.70.80.91.0 - 15 - 10 - 5 0 5 10 15 20 25 0.0 0.10.20.30.4 0.50.60.70.80.9 1.0 - 4 - 2 0 2 4 6 8 0.0 0.10.20.30.4 0.50.60.70.80.9 1.0
Artère iliaque interne
Artère poplité
Artère femorale superficielle
s s
s
cm cm
cm
Aire de la section mesurée par écho-tracking Aire de la section simulée
J2
Q
Patient 1 : résultats obtenus avec la fonction
0.50 0.55 0.60 0.00.10.2 0.30.40.50.6 0.70.80.91.0 2 2 2 0.502 0.504 0.506 0.508 0.510 0.512 0.514 0.516 0.518 0.00.10.2 0.30.40.50.60.7 0.80.91.0 0.395 0.400 0.405 0.410 0.415 0.420 0.00.10.2 0.30.40.50.6 0.70.80.91.0
Autres informations mises `a la disposition du praticien : profils de pression, coefficients de rigidit´e des 7 art`eres, etc...
Mod´elisation et simulation num´erique du flux sanguin L. Dumas Mod´elisation du flux sanguin Optimisation par m´ethodes ´ evolutionnaires Optimisation et mod`eles approch´es Simulation num´erique du flux sanguin Conclusion
Conclusions et perpectives
La simulation num´erique est un outil d’aide au diagnostic de plus en plus utilis´ee dans diff´erents domaines m´edicaux. Les m´ethodes ´evolutionnaires d’optimisation sont les plus efficaces dans ce contexte pour d´eterminer les param`etres du mod`ele utilis´e, sp´ecifiques `a chaque patient.
L’introduction de mod`eles approch´es s’av`ere en g´en´eral indispensable pour obtenir un temps de calcul raisonnable. Les travaux pr´esent´es ici montrent qu’un examen non invasif et peu coˆuteux comme l’echotracking coupl´e `a une simulation num´erique du flux sanguin pourra am´eliorer la pr´ediction des risques de maladies cardiovasculaires.