A 3d-enabled visual representation tool as a progressive web application (PWA) based on the WebAssembly specification

Abstract

This thesis focuses on the development of advanced cloud-based medical imaging frameworks, high-fidelity visualization techniques, and computational modeling solutions for the noninvasive management of peripheral artery disease (PAD). The primary objective is to bridge critical gaps in diagnostic precision, clinical workflow efficiency, and personalized treatment strategies by leveraging web technologies, deep learning models, and computational simulations. This thesis introduces the DECODE Cloud Platform, an open-source cloud-based ecosystem that integrates AI-powered vascular segmentation, real-time 3D visualization, and predictive modeling for PAD risk assessment and treatment planning. The first chapter provides a detailed introduction to PAD, its pathophysiology, and the limitations of current diagnostic and treatment approaches, highlighting the need for innovative computational solutions. It outlines the role of web-based imaging, cloud computing, and AI in advancing PAD diagnostics and the foundation for research objectives. The second chapter presents a comprehensive review of state-of-the-art technologies in digital health, web-based medical imaging, and cloud-based platforms for PAD management. It explores advancements in web visualization, AI-powered vascular segmentation, and computational hemodynamics, establishing the theoretical background for the research. In addition, it discusses emerging trends and limitations in noninvasive vascular imaging and introduces the novel contributions of this work. The third chapter examines the computational modeling of drug-eluting balloons (DEBs) for PAD treatment. A systematic analysis of fluid‒structure interaction (FSI), molecular dynamics (MD), finite element modeling (FEM), and machine learning (ML) techniques is conducted to optimize drug diffusion, vascular response, and patient-specific intervention planning. This chapter explores how computational simulations enhance DEB design and performance, addressing therapeutic efficacy and in-silico validation. The fourth chapter focuses on advancing progressive web applications (PWAs) for medical imaging visualization, particularly DICOM and multiplanar reconstruction (MPR) visualization. It presents the technical architecture, algorithmic enhancements, and performance evaluations of the system. Key innovations include the implementation of bicubic and weighted bilinear interpolation techniques, ensuring high-precision 3D reconstructions, cross-platform compatibility, and offline-accessible imaging workflows. The fifth chapter introduces DECODE-3DViz, a WebGL-based high-fidelity visualization platform optimized for large-scale peripheral artery CT imaging. The research addresses WebGL texture constraints and real-time performance bottlenecks by integrating a level-of-detail (LOD) algorithm, dynamic downsampling, and data chunk streaming. In addition, this chapter presents the automated PAD risk classification framework, which employs optimized volume rendering, dynamic illumination, and quantitative vascular analysis to improve diagnostic accuracy and clinical decision support. A detailed performance validation study demonstrated the efficacy of DECODE-3DViz in enabling interactive 3D visualization for vascular diagnostics. The sixth chapter details the DECODE Cloud Platform, an open-source, cloud-native infrastructure designed for AI-driven PAD diagnostics and in-silico clinical trials. It integrates deep learning-based vascular segmentation, computational hemodynamic modeling, and real-time 3D visualization, providing a scalable, regulatory-compliant framework for multi-institutional collaboration. The usability evaluation via the System Usability Scale (SUS) and Technology Acceptance Model (TAM) confirms high adoption potential, underscoring its clinical viability and integration into real-world medical workflows. The seventh chapter presents the conclusions and future directions of this research. This thesis highlights the impact of AI-driven vascular imaging, web-based visualization, and computational modeling in redefining PAD diagnostics and noninvasive therapeutic planning. Future research will focus on WebGPU-enhanced visualization, AI-driven multimodal fusion (CT, MRI, and ultrasound), federated learning for privacy-preserving AI training, and real-time in-silico simulations for optimizing drug-coated balloon (DCB) therapy. The integration of blockchain-based regulatory compliance mechanisms and automated AI-generated radiology reports will further expand the clinical adoption of DECODE, ensuring its role as a pioneering platform in AI-assisted precision vascular medicine. The main contributions of this thesis can be summarized as follows: (i) The development of a web-based DICOM and MPR visualization system within a PWA framework ensures cross-platform compatibility, offline accessibility, and optimized real-time rendering for high-resolution vascular imaging. (ii) The introduction of DECODE-3DViz, a high-fidelity WebGL-based visualization pipeline that incorporates LOD algorithms and chunk streaming, significantly enhances real-time interactive visualization of large-scale CT images while optimizing GPU memory and performance efficiency. (iii) The design and validation of an automated PAD risk classification framework integrating dynamic illumination models, optimized volume rendering, and quantitative vascular analysis improve diagnostic accuracy, reduce interobserver variability, and enable real-time clinical decision support. (iv) The application of computational modeling techniques for DEBs, utilizing FSI, MD, and finite element simulations, to enhance drug delivery, optimize device performance, and advance patient-specific treatment strategies. (v) DECODE, an open-source cloud-based platform that integrates AI-driven vascular segmentation, computational hemodynamic modeling, and real-time 3D visualization, ensures scalability, interoperability, and seamless clinical integration into digital healthcare ecosystems, was developed. This thesis establishes a new benchmark in cloud-based vascular imaging, risk classification, and computational modeling, providing a scalable and clinically viable solution for noninvasive PAD management and precision vascular medicine.

Αυτή η διατριβή επικεντρώνεται στην ανάπτυξη προηγμένων πλαισίων ιατρικής απεικόνισης βασισμένων στο νέφος, τεχνικών υψηλής πιστότητας οπτικοποίησης και λύσεων υπολογιστικής μοντελοποίησης για τη μη επεμβατική διαχείριση της Περιφερικής Αρτηριακής Νόσου (ΠΑΝ). Ο κύριος στόχος είναι η γεφύρωση κρίσιμων κενών στην ακρίβεια της διάγνωσης, την αποδοτικότητα των κλινικών ροών εργασίας και τις εξατομικευμένες στρατηγικές θεραπείας, αξιοποιώντας διαδικτυακές τεχνολογίες, μοντέλα βαθιάς μάθησης και υπολογιστικές προσομοιώσεις. Αυτή η διατριβή παρουσιάζει την Πλατφόρμα DECODE Cloud, ένα υπολογιστικό οικοσύστημα ανοιχτού κώδικα βασισμένο στο νέφος, το οποίο ενσωματώνει αγγειακή τμηματοποίηση με τεχνητή νοημοσύνη, τρισδιάστατη οπτικοποίηση σε πραγματικό χρόνο και προγνωστική μοντελοποίηση για την εκτίμηση κινδύνου ΠΑΝ και τον σχεδιασμό θεραπείας.Το πρώτο κεφάλαιο παρέχει μια λεπτομερή εισαγωγή στην ΠΑΝ, τη φυσιοπαθολογία της και τους περιορισμούς των τρεχουσών διαγνωστικών και θεραπευτικών προσεγγίσεων, αναδεικνύοντας την ανάγκη για καινοτόμες υπολογιστικές λύσεις. Περιγράφει τον ρόλο της διαδικτυακής απεικόνισης, του υπολογιστικού νέφους και της τεχνητής νοημοσύνης στην εξέλιξη της διάγνωσης της ΠΑΝ και θέτει τα θεμέλια για τους ερευνητικούς στόχους. Το δεύτερο κεφάλαιο παρουσιάζει μια ολοκληρωμένη ανασκόπηση των πλέον σύγχρονων τεχνολογιών στην ψηφιακή υγεία, την ιατρική απεικόνιση μέσω διαδικτύου και τις πλατφόρμες βασισμένες στο νέφος για τη διαχείριση της ΠΑΝ. Εξετάζει τις προόδους στην οπτικοποίηση ιστού, την αγγειακή τμηματοποίηση με τεχνητή νοημοσύνη και την υπολογιστική αιμοδυναμική, εδραιώνοντας το θεωρητικό υπόβαθρο της έρευνας. Επιπλέον, συζητά τις αναδυόμενες τάσεις και τους περιορισμούς στη μη επεμβατική αγγειακή απεικόνιση και εισάγει τις καινοτόμες συνεισφορές αυτής της μελέτης. Το τρίτο κεφάλαιο εξετάζει την υπολογιστική μοντελοποίηση των επικαλυμμένων με φάρμακο μπαλονιών (Drug-Eluting Balloons - DEBs) για τη θεραπεία της Περιφερικής Αρτηριακής Νόσου (ΠΑΝ). Διεξάγεται μια συστηματική ανάλυση της αλληλεπίδρασης ρευστού-δομής (Fluid-Structure Interaction - FSI), της μοριακής δυναμικής (Molecular Dynamics - MD), της μοντελοποίησης πεπερασμένων στοιχείων (Finite Element Modeling - FEM) και των τεχνικών μηχανικής μάθησης (Machine Learning - ML), με στόχο τη βελτιστοποίηση της διάχυσης του φαρμάκου, της αγγειακής απόκρισης και του σχεδιασμού εξατομικευμένων θεραπευτικών παρεμβάσεων. Το κεφάλαιο διερευνά τον τρόπο με τον οποίο οι υπολογιστικές προσομοιώσεις ενισχύουν τον σχεδιασμό και την απόδοση των DEB, βελτιώνοντας τη θεραπευτική τους αποτελεσματικότητα και την in-silico επικύρωση. Το τέταρτο κεφάλαιο επικεντρώνεται στην προώθηση των Progressive Web Applications (PWAs) για την οπτικοποίηση ιατρικής απεικόνισης, ιδιαίτερα της απεικόνισης DICOM και της Πολυεπίπεδης Ανακατασκευής (Multiplanar Reconstruction - MPR). Παρουσιάζει την τεχνική αρχιτεκτονική, τις αλγοριθμικές βελτιώσεις και τις αξιολογήσεις απόδοσης του συστήματος. Βασικές καινοτομίες περιλαμβάνουν την υλοποίηση τεχνικών κυβικής παρεμβολής και στάθμισης διγραμμικής παρεμβολής, διασφαλίζοντας υψηλής ακρίβειας τρισδιάστατες ανακατασκευές, διαλειτουργικότητα μεταξύ πλατφορμών και ροές εργασίας απεικόνισης προσβάσιμες εκτός σύνδεσης. Το πέμπτο κεφάλαιο παρουσιάζει το DECODE-3DViz, μια πλατφόρμα οπτικοποίησης υψηλής πιστότητας βασισμένη στο WebGL, βελτιστοποιημένη για απεικόνιση περιφερικών αρτηριών με αξονική τομογραφία μεγάλης κλίμακας. Η έρευνα αντιμετωπίζει τους περιορισμούς των υφών WebGL και τα σημεία συμφόρησης της απόδοσης σε πραγματικό χρόνο, ενσωματώνοντας έναν αλγόριθμο Επίπεδου Λεπτομέρειας (Level of Detail - LOD), δυναμική υποδειγματοληψία και ροή δεδομένων ανά τμήματα. Επιπλέον, το κεφάλαιο παρουσιάζει το αυτοματοποιημένο πλαίσιο ταξινόμησης κινδύνου ΠΑΝ, το οποίο χρησιμοποιεί βελτιστοποιημένη ογκομετρική απεικόνιση, δυναμικό φωτισμό και ποσοτική αγγειακή ανάλυση για τη βελτίωση της διαγνωστικής ακρίβειας και της υποστήριξης κλινικών αποφάσεων. Μια λεπτομερής μελέτη επικύρωσης της απόδοσης αποδεικνύει την αποτελεσματικότητα του DECODE-3DViz στην παροχή διαδραστικής τρισδιάστατης οπτικοποίησης για αγγειακές διαγνώσεις.Το έκτο κεφάλαιο περιγράφει λεπτομερώς την Πλατφόρμα DECODE Cloud, μια ανοιχτού κώδικα, εγγενώς βασισμένη στο νέφος υπολογιστική υποδομή, σχεδιασμένη για διαγνωστικές διαδικασίες ΠΑΝ με τεχνητή νοημοσύνη και in-silico κλινικές δοκιμές. Ενσωματώνει αγγειακή τμηματοποίηση με βαθιά μάθηση, υπολογιστική αιμοδυναμική μοντελοποίηση και τρισδιάστατη οπτικοποίηση σε πραγματικό χρόνο, παρέχοντας ένα επεκτάσιμο, συμβατό με κανονισμούς πλαίσιο για συνεργασία μεταξύ πολλαπλών ερευνητικών ιδρυμάτων. Η αξιολόγηση της χρηστικότητας μέσω της Κλίμακας Χρηστικότητας Συστήματος (System Usability Scale - SUS) και του Μοντέλου Αποδοχής Τεχνολογίας (Technology Acceptance Model - TAM) επιβεβαιώνει το υψηλό δυναμικό υιοθέτησης, υπογραμμίζοντας τη βιωσιμότητά του στην κλινική πράξη και την ενσωμάτωσή του σε πραγματικά ιατρικά περιβάλλοντα. Το έβδομο κεφάλαιο παρουσιάζει τα συμπεράσματα και τις μελλοντικές κατευθύνσεις αυτής της έρευνας. Τονίζει τον αντίκτυπο της αγγειακής απεικόνισης με τεχνητή νοημοσύνη, της διαδικτυακής οπτικοποίησης και της υπολογιστικής μοντελοποίησης στον επαναπροσδιορισμό της διάγνωσης της ΠΑΝ και του μη επεμβατικού θεραπευτικού σχεδιασμού. Οι μελλοντικές έρευνες θα επικεντρωθούν στη βελτιστοποίηση της οπτικοποίησης με WebGPU, στη συγχώνευση πολλαπλών απεικονιστικών δεδομένων (CT, MRI, υπερηχογράφημα) με τεχνητή νοημοσύνη, στην ομοσπονδιακή μάθηση για εκπαίδευση τεχνητής νοημοσύνης με διατήρηση της ιδιωτικότητας και στις προσομοιώσεις σε πραγματικό χρόνο για τη βελτιστοποίηση της θεραπείας με επικαλυμμένα με φάρμακο μπαλόνια (Drug-Coated Balloon - DCB). Η ενσωμάτωση μηχανισμών συμμόρφωσης με τους κανονισμούς μέσω blockchain και η αυτόματη παραγωγή ακτινολογικών αναφορών από τεχνητή νοημοσύνη θα επεκτείνουν περαιτέρω την κλινική υιοθέτηση του DECODE, διασφαλίζοντας τον ρόλο του ως πρωτοποριακή πλατφόρμα στην ιατρική ακριβείας με υποστήριξη τεχνητής νοημοσύνης. Οι κύριες συνεισφορές αυτής της διατριβής μπορούν να συνοψιστούν ως εξής: (i) Η ανάπτυξη ενός διαδικτυακού συστήματος οπτικοποίησης DICOM και Πολυεπίπεδης Ανακατασκευής (Multiplanar Reconstruction - MPR) στο πλαίσιο μιας Progressive Web Application (PWA), διασφαλίζοντας διαλειτουργικότητα μεταξύ πλατφορμών, πρόσβαση εκτός σύνδεσης και βελτιστοποιημένη απόδοση σε πραγματικό χρόνο για αγγειακή απεικόνιση υψηλής ανάλυσης. (ii) Η εισαγωγή του DECODE-3DViz, μιας υποδομής οπτικοποίησης υψηλής πιστότητας βασισμένης στο WebGL, που ενσωματώνει αλγόριθμους Επίπεδου Λεπτομέρειας (LOD) και ροή δεδομένων ανά τμήματα, ενισχύοντας σημαντικά τη διαδραστική οπτικοποίηση μεγάλης κλίμακας αξονικής τομογραφίας σε πραγματικό χρόνο, ενώ παράλληλα βελτιστοποιεί τη μνήμη GPU και την αποδοτικότητα της απόδοσης. (iii) Ο σχεδιασμός και η επικύρωση ενός αυτοματοποιημένου πλαισίου ταξινόμησης κινδύνου για την Περιφερική Αρτηριακή Νόσο (ΠΑΝ), το οποίο ενσωματώνει δυναμικά μοντέλα φωτισμού, βελτιστοποιημένη ογκομετρική απεικόνιση και ποσοτική αγγειακή ανάλυση, βελτιώνοντας την ακρίβεια διάγνωσης, μειώνοντας τη διακύμανση μεταξύ παρατηρητών και επιτρέποντας την υποστήριξη κλινικών αποφάσεων σε πραγματικό χρόνο. (iv) Η εφαρμογή τεχνικών υπολογιστικής μοντελοποίησης για τα επικαλυμμένα με φάρμακο μπαλόνια (Drug-Eluting Balloons - DEBs), αξιοποιώντας την αλληλεπίδραση ρευστού-δομής (Fluid-Structure Interaction - FSI), τη μοριακή δυναμική (Molecular Dynamics - MD) και τις προσομοιώσεις πεπερασμένων στοιχείων (Finite Element Simulations) για τη βελτίωση της απελευθέρωσης φαρμάκου, τη βελτιστοποίηση της απόδοσης της συσκευής και την προώθηση εξατομικευμένων θεραπευτικών στρατηγικών. (v) Η ανάπτυξη του DECODE, μιας ανοιχτού κώδικα πλατφόρμας βασισμένης στο νέφος, η οποία ενσωματώνει αγγειακή τμηματοποίηση με τεχνητή νοημοσύνη, υπολογιστική αιμοδυναμική μοντελοποίηση και τρισδιάστατη οπτικοποίηση σε πραγματικό χρόνο, διασφαλίζοντας επεκτασιμότητα, διαλειτουργικότητα και απρόσκοπτη κλινική ενσωμάτωση στα ψηφιακά οικοσυστήματα υγειονομικής περίθαλψης. Αυτή η διατριβή θέτει ένα νέο σημείο αναφοράς στην αγγειακή απεικόνιση βασισμένη στο νέφος, την ταξινόμηση κινδύνου και την υπολογιστική μοντελοποίηση, προσφέροντας μια επεκτάσιμη και κλινικά βιώσιμη λύση για τη μη επεμβατική διαχείριση της ΠΑΝ και την ιατρική ακριβείας στον αγγειακό τομέα.