Understanding the mechanisms of aortic dissection : finite element modeling and in situ experimentation with X-ray tomography - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2021

Understanding the mechanisms of aortic dissection : finite element modeling and in situ experimentation with X-ray tomography

Comprendre les mécanismes de dissection aortique : modélisation éléments finis et expérimentation in situ sous tomographie RX

Résumé

Aortic dissection is a serious vascular disease characterised by a separation of the layers of the arterial wall and the creation of a second lumen. Mortality due to this disease is particularly high and requires surgery as soon as possible. Although widely documented clinically, the phenomena behind this condition are largely unknown and many questions remain unanswered. Thus, the objective of this thesis is to better understand the mechanisms triggering aortic dissection and the parameters influencing its propagation. Initially, two studies combining tensile tests with finite element models allowed the mechanical properties and fracture modes I and II of the aortic wall to be identified using inverse methods. Subsequently, an aortic dissection model using the extended finite element method was developed in order to quantify the impact of geometric and mechanical factors on the rupture pressure and the direction of propagation of the aortic dissection. In order to validate this model, a new experimental method combining a mechanical tension-inflation test with X-ray microtomography has been developed. This in-situ test made it possible to observe the 3D evolution of the delamination profile during the propagation of a dissection in the aortic wall. These observations and modelling have led to a better understanding of the mechanisms of propagation of the dissection, and open perspectives on the development of personalised diagnostic tools.
La dissection aortique est une maladie vasculaire grave caractérisée par un décollement des couches de la paroi artérielle et la création d'un chaux chenal. La mortalité due à cette affection est particulièrement élevée et demande une intervention chirurgicale dans les délais les plus brefs. Bien que largement documentés cliniquement, les phénomènes à l'origine de cette condition sont peu connus et de nombreuses questions demeurent sans réponses. Ainsi, l'objectif de cette thèse est de mieux comprendre les mécanismes déclenchant la dissection aortique et les paramètres influençant sa propagation. Dans un premier temps, deux études combinant des tests mécaniques de traction avec des modèles éléments finis ont permis d'identifier les propriétés mécaniques et les modes de rupture I et II de la paroi aortique grâce à des méthodes inverses. Par la suite, un modèle de dissection aortique utilisant la méthode des éléments finis étendus à été développé afin de quantifier l'impact de facteurs géométriques et mécaniques sur la pression de rupture ainsi que sur la direction de propagation de la dissection aortique. Afin de valider ce modèle, une nouvelle méthode expérimentale combinant un essai mécanique de traction-gonflement avec de la microtomographie à rayons X a été mise au point. Ce test in situ a permis d'observer l'évolution 3D du profil de délamination lors de la propagation d'une dissection dans la paroi. Ces observations et modélisations ont permis une meilleure compréhension des mécanismes de propagation de la dissection, et ouvrent des perspectives sur le développement d'outils de diagnostic personnalisés.
Fichier principal
Vignette du fichier
joseph-brunet-diff.pdf (4.21 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03446014 , version 1 (24-11-2021)

Identifiants

  • HAL Id : tel-03446014 , version 1

Citer

Joseph Brunet. Understanding the mechanisms of aortic dissection : finite element modeling and in situ experimentation with X-ray tomography. Other. Université de Lyon, 2021. English. ⟨NNT : 2021LYSEM010⟩. ⟨tel-03446014⟩
135 Consultations
228 Téléchargements

Partager

Gmail Facebook X LinkedIn More