Исследование функциональных характеристик различных типов бифуркаций внутриорганных артерий селезенки

Обоснование. Исследование с помощью численного моделирования функциональных характеристик (проводящая, распределительная, опорная) цифровых моделей 4 типов бифуркаций внутриорганных артерий селезенки (ВАС) является ценным инструментом для поиска их морфометрического эталона и в последующем критерия нормы.

Цель: установить функциональные характеристики разных типов бифуркаций ВАС путем их численного моделирования, основанного на результатах морфометрии.

Материал и методы. Моделирование осуществляли на основании ранее полученных морфометрических характеристиках разных типов бифуркаций ВАС: 1-й тип – диаметр материнского (проксимального) сегмента (D) не равен диаметрам большего (d_max) и меньшего (d_min) дочерних (дистальных) сегментов – D ≠ d_max ≠ d_min; 2-й тип – D = d_max, D ≠ d_min; 3-й тип – D ≠ d_max, d_min = d_max; 4-й тип – D = d_max = d_min. Для расчетов величин показателей бифуркации ВАС, характеризующих проводящую и опорную функции, использовали компьютерную программу ANSYS Student, для описания распределительной функции – компьютерную программу Vasculograph.

Результаты. Установлено, что величина показателя бифуркации ВАС разного типа характеризует: 1) проводящую функцию – убывает в направлении 1-го типа - полная асимметрия, 2-го типа - боковая асимметрия, 4-го типа - полная симметрия, 3-го типа - односторонняя симметрия; 2) распределительную функцию – убывает в направлении 1-го типа - полная асимметрия, 2-го типа - боковая асимметрия, 3-го типа - односторонняя симметрия, 4-го типа - полная симметрия; 3) опорную функцию – убывает в направлении 1-го типа - полная асимметрия, 2-го типа - боковая асимметрия, 3-го типа - односторонняя симметрия, 4-го типа - полная симметрия.

Заключение. Полученные результаты свидетельствуют о том, что бифуркации ВАС разного типа ориентированы на выполнение различных функций. Это следует учитывать при поиске эталона и морфометрического критерия нормы ВАС, что будет способствовать выявлению различных вариантов мальформаций внутриорганных сосудов селезенки, в том числе имеющих клиническое значение.

1. Kopylova V., Boronovskiy S., Nartsissov Y. Approaches to vascular network, blood flow, and metabolite distribution modeling in brain tissue. Biophys. Rev. 2023;15(5):1335–1350. DOI: 10.1007/s12551-023-01106-0.

2. Мелькумянц А.М. О принципах оптимальности при построении сети артериальных сосудов скелетных мышц. Успехи физиологических наук. 2018;49(4):3–11. DOI: 10.7868/S030117981804001X..

3. Кафаров Э.С., Дадашев А.Ш., Милтых И.С., Зенин О. Свидетельство о государственной регистрации базы данных № 2023620288. Российская Федерация. Количественная анатомия внутриорганного артериального русла селезенки : заявл. 23.12.2022 : опубл. 19.01.2023.

4. Зенин О.К., Косников Ю.Н., Никитин О.В., Кафаров Э.С., Дмитриев А.В., Милтых И.С. Компьютерная программа «3D-Vasculograph» для моделирования геометрии внутриорганного сосудистого русла внутренних органов человека. Медицинская наука и образование Урала. 2022;(1). DOI: 10.36361/1814-8999-2022-23-1-75-77.

5. Zheng C.H., Xu M., Huang C.M., Li P., Xie J.W., Wang J.B. et al. Anatomy and influence of the splenic artery in laparoscopic spleen-preserving splenic lymphadenectomy. World J. Gastroenterol. 2015;21(27):8389– 8397. DOI: 10.3748/wjg.v21.i27.8389.

6. Cieri R.L., Turner M.L., Carney R.M., Falkingham P.L., Kirk A.M., Wang T. et al. Virtual and augmented reality: New tools for visualizing, analyzing, and communicating complex morphology. J. Morphol. 2021;282(12):1785–1800. DOI: 10.1002/jmor.21421.

7. Глотов В.А. Структурный анализ кровеносных сосудистых сетей: функциональная анатомия внутреннего просвета кровеносных сосудистых сетей, роль гемодинамического фактора и сил поверхностного натяжения в его формировании, аксиоматический подход. Морфологический альманах имени В.Г. Ковешникова. 2022;20(3):25–29.

8. Owen B., Bojdo N., Jivkov A., Keavney B., Revell A. Structural modelling of the cardiovascular system. Biomech. Model. Mechanobiol. 2018;17(5):1217–1242. DOI: 10.1007/s10237-018-1024-9.

9. Che Azemin M.Z., Ab Hamid F., Aminuddin A., Wang J.J., Kawasaki R., Kumar D.K. Age-related rarefaction in retinal vasculature is not linear. Exp. Eye Res. 2013;116:355–358. DOI: 10.1016/j.exer.2013.10.010.

10. Bassoli E., Denti L., Gatto A., Spaletta G., Sofroniou M., Parrilli A. et al. A planar fractal analysis of the arterial tree of the human thyroid gland: Implications for additive manufacturing of 3D ramified scaffolds. In: Bartolo P.J., Soares de Lemos A.C., Pereira A.M.H., Santos Mateus A.R., Ramos C., Santos C. et al., editors. High Value Manufacturing. Advanced Research in Virtual and Rapid Prototyping. London: Taylor & Francis Group; 2014:423–428.

11. Bassoli E., Denti L., Gatto A., Spaletta G., Sofroniou M., Parrilli A. et al. Towards additive manufacturing of ramified scaffolds of the thyroid vascular system: A preliminary fractal analysis. International Journal of Mechanical Engineering and Technology. 2018;9(8):429–437. https://iaeme.com/Home/journal/IJMET (13.09.2024).

12. Wang R., Li P., Pan Q., Li J.K.J., Kuebler W.M., Pries A.R. et al. Investigation into the diversity in the fractal dimensions of arterioles and venules in a microvascular network – A quantitative analysis. Microvasc. Res. 2019;125:103882. DOI: 10.1016/j.mvr.2019.103882.

13. Bandt C. Introduction to fractals. In: Bandt C., Barnsley M., Devaney R., Falconer K., Kannan V., Kumar P.B., V. (eds.). Fractals, Wavelets, and their Applications. Springer Proceedings in Mathematics & Statistics. Vol. 92. Springer, Cham.; 2014:3–19. DOI: 10.1007/978-3-319-08105-2_1.

14. Arciero J.C., Causin P., Malgaroli F. Mathematical methods for modeling the microcirculation. Biophysics. 2017;4(3):362–399. DOI: 10.3934/biophy.2017.3.362

15. Blanco P.J., de Queiroz R. A., Feijóo R.A. A computational approach to generate concurrent arterial networks in vascular territories. Int. J. Numer. Method. Biomed. Eng. 2013;29(5):601–614. DOI: 10.1002/cnm.2547.

16. Augustin C.M., Gsell M.A.F., Karabelas E., Willemen E., Prinzen F.W., Lumens J., Vigmond E.J. et al. A computationally efficient physiologically comprehensive 3D–0D closed-loop model of the heart and circulation. Comput. Meth. Appl. Mech. Eng. 2021;386:114092. DOI: 10.1016/j.cma.2021.114092.

17. Murray C.D. The physiological principle of minimum work applied to the angle of branching of arteries. J. Gen. Physiol. 1926;9(6):835–841. DOI: 10/dq9qn9.

18. Hagmeijer R., Venner C.H. Critical review of Murray’s theory for optimal branching in fluidic networks. arXiv. Published online; 2018. DOI: 10.48550/arXiv.1812.09706.

19. Crandall C.L., Lin C.J., Wagenseil J.E. Major vascular ECM components, differential distribution supporting structure, and functions of the vasculome. In: Galis Z.J. (ed.) The Vasculome: From Many, One. Elsevier; 2022:77–86. DOI: 10.1016/B978-0-12-822546-2.00010-1.

20. Valaris S., Kostourou V. Cell–Extracellular Matrix Adhesions in Vascular Endothelium. In: Papadimitriou E., Mikelis C.M. (eds.). matrix pathobiology and angiogenesis. Vol. 12. Biology of extracellular matrix. Springer International Publishing; 2023:175–204. DOI: 10.1007/978-3-031-19616-4_7.