Electrochemical capacitors, also known as supercapacitors, are becoming increasingly important components in energy storage, although their widespread use has not been attained due to a high cost/performance ratio. Fundamental research is contributing to lowered costs through the engineering of new materials. Currently the most viable materials used in electrochemical capacitors are biomass-derived and polymer-derived activated carbons, although other carbon materials are useful research tools. Metal oxides could result in a step change for electrochemical capacitor technology and is an exciting area of research. The selection of an appropriate electrolyte and electrode structure is fundamental in determining device performance. Although there are still many uncertainties in understanding the underlying mechanisms involved in electrochemical capacitors, genuine progress continues to be made. It is argued that a large, collaborative international research programme is necessary to fully develop the potential of electrochemical capacitors.

We present a 3D discrete-continuum model to simulate blood pressure in large microvascular tissues in the absence of known capillary network architecture. Our hybrid approach combines a 1D Poiseuille flow description for large, discrete arteriolar and venular networks coupled to a continuum-based Darcy model, point sources of flux, for transport in the capillary bed. We evaluate our hybrid approach using a vascular network imaged from the mouse brain medulla/pons using multi-fluorescence high-resolution episcopic microscopy (MF-HREM). We use the fully-resolved vascular network to predict the hydraulic conductivity of the capillary network and generate a fully-discrete pressure solution to benchmark against. Our results demonstrate that the discrete-continuum methodology is a computationally feasible and effective tool for predicting blood pressure in real-world microvascular tissues when capillary microvessels are poorly defined.

Disruption of retinal vasculature is linked to various diseases, including diabetic retinopathy and macular degeneration, leading to vision loss. We present here a novel algorithmic approach that generates highly realistic digital models of human retinal blood vessels, based on established biophysical principles, including fully-connected arterial and venous trees with a single inlet and outlet. This approach, using physics-informed generative adversarial networks (PI-GAN), enables the segmentation and reconstruction of blood vessel networks with no human input and which out-performs human labelling. Segmentation of DRIVE and STARE retina photograph datasets provided near state-of-the-art vessel segmentation, with training on only a small (n = 100) simulated dataset. Our findings highlight the potential of PI-GAN for accurate retinal vasculature characterization, with implications for improving early disease detection, monitoring disease progression, and improving patient care.

Understanding how drugs are delivered to diseased tissue, and their subsequent spatial and temporal distribution, is a key factor in the development of effective, targeted therapies. However, the interaction between the pathophysiology of diseased tissue and individual therapeutic agents can be complex, and can vary significantly between individuals. In cancer, suboptimal dosing resulting from poor delivery can cause reduced treatment efficacy, upregulation of resistance mechanisms and can even stimulate growth. Preclinical tools to better understand drug delivery are therefore urgently required, which incorporate the inherent variability and heterogeneity of human disease. To meet this need, we have combined multiscale mathematical modelling, high-resolution optical imaging of intact, optically-cleared tumour tissue from animal models, and in vivo magnetic resonance imaging (MRI). Our framework, named REANIMATE (REAlistic Numerical Image-based Modelling of biologicAl Tissue substratEs) allows large tissue samples to be investigated as if it were a living sample, in detailed, highly controlled, computational experiments. Specifically, we show that REANIMATE can be used to predict the heterogeneous delivery of specific therapeutic agents, in disparate two murine xenograft models of human colorectal carcinoma. Given the wide adoption of optical clearing equipment in biomedical research laboratories, REANIMATE enables a new paradigm in cancer drug development, which could also be applied to other disease areas.

It is critically important to understand and predict fluid transport within both physiological and pathological tissues in order to develop effective treatment strategies. Recent advances in high-resolution optical imaging allow the acquisition of whole tumour vascular networks which can be used to parameterise computational models to predict the fluid dynamics at all length scales across the tissue. This enables hypothesis testing around the role of the tumour microenvironment in determining transport characteristics, which would otherwise be unavailable using traditional experiments. In this study, we present a novel computational framework for the efficient simulation of vascular blood flow and interstitial fluid transport based on complete three-dimensional, whole tumour vasculature obtained using high-resolution optical imaging. This framework comprises a Poiseuille flow model which simulates vascular blood flow within the vessel network, coupled via point sources of flux to a porous medium model describing interstitial fluid transport. We develop a computational algorithm for prescription of network boundary conditions and validation of tissue-scale fluid transport against measured in vivo perfusion data acquired using biomedical imaging tools. We present simulations of the model on orthoptic murine glioma and human colorectal carcinoma xenograft data (GL261 and LS147T, respectively), and perform sensitivity analysis on key unknown parameters relating to the tissue microenvironment, to understand their impact in predicting vascular and interstitial flow. Finally, we simulate radially varying vascular normalisation in a LS147T tumour and hypothesise that uniform normalisation is required to lower tumour interstitial fluid pressure. Our computational framework permits predictions of whole tumour fluid dynamics which incorporate the inherent architectural heterogeneities appearing at the micron-scale, and outputs three-dimensional spatial maps detailing these flow properties from micro to macro length scales. This provides vital information on the tumour microenvironment which could enable the design and delivery of future anti-cancer therapies.

The kidney vasculature is exquisitely structured to orchestrate renal function. Structural profiling of the vasculature in intact rodent kidneys, has provided insights into renal haemodynamics and oxygenation, but has never been extended to the human kidney beyond a few vascular generations. We hypothesised that synchrotron-based imaging of a human kidney would enable assessment of vasculature across the whole organ.An intact kidney from a 63-year-old male was scanned using hierarchical phase-contrast tomography (HiP-CT), followed by semi-automated vessel segmentation and quantitative analysis. These data were compared to published micro-CT data of whole rat kidney.The intact human kidney vascular network was imaged with HiP-CT at 25 μm voxels, representing a 20-fold increase in resolution compared to clinical CT scanners. Our comparative quantitative analysis revealed the number of vessel generations, vascular asymmetry and a structural organisation optimised for minimal resistance to flow, are conserved between species, whereas the normalised radii are not. We further demonstrate regional heterogeneity in vessel geometry between renal cortex, medulla, and hilum, showing how the distance between vessels provides a structural basis for renal oxygenation and hypoxia.Through the application of HiP-CT, we have provided the first quantification of the human renal arterial network, with a resolution comparable to that of light microscopy yet at a scale several orders of magnitude larger than that of a renal punch biopsy. Our findings bridge anatomical scales, profiling blood vessels across the intact human kidney, with implications for renal physiology, biophysical modelling, and tissue engineering.

Abstract Disruption of retinal vasculature is linked to various diseases, including diabetic retinopathy and macular degeneration, leading to vision loss. We present here a novel algorithmic approach that generates highly realistic digital models of human retinal blood vessels based on established biophysical principles, including fully-connected arterial and venous trees with a single inlet and outlet. This approach, using physics-informed generative adversarial networks (PI-GAN), enables the segmentation and reconstruction of blood vessel networks that requires no human input and out-performs human labelling. Our findings highlight the potential of PI-GAN for accurate retinal vasculature characterization, with implications for improving early disease detection, monitoring disease progression, and improving patient care.

ABSTRACT Structural changes to microvascular networks are increasingly highlighted as markers of pathogenesis in a wide range of disease, e.g. Alzheimer’s disease, vascular dementia and tumour growth. This has motivated the development of dedicated 3D imaging techniques, alongside the creation of computational modelling frameworks capable of using 3D reconstructed networks to simulate functional behaviours such as blood flow or transport processes. Extraction of 3D networks from imaging data broadly consists of two image processing steps: segmentation followed by skeletonisation. Much research effort has been devoted to segmentation field, and there are standard and widely-applied methodologies for creating and assessing gold standards or ground truths produced by manual annotation or automated algorithms. The Skeletonisation field, however, lacks widely applied, simple to compute metrics for the validation or optimisation of the numerous algorithms that exist to extract skeletons from binary images. This is particularly problematic as 3D imaging datasets increase in size and visual inspection becomes an insufficient validation approach. In this work, we first demonstrate the extent of the problem by applying 4 widely-used skeletonisation algorithms to 3 different imaging datasets. In doing so we show significant variability between reconstructed skeletons of the same segmented imaging dataset. Moreover, we show that such a structural variability propagates to simulated metrics such as blood flow. To mitigate this variability we introduce a new, fast and easy to compute super-metric that compares the volume, connectivity, medialness, correct bifurcation point identification and homology of the reconstructed skeletons to the original segmented data. We then show that such a metric can be used to select the best performing skeletonisation algorithm for a given dataset, as well as to optimize its parameters. Finally, we demonstrate that the super-metric can also be used to quickly identify how a particular skeletonisation algorithm could be improved, becoming a powerful tool in understanding the complex implication of small structural changes in a network.

This paper presents a comprehensive and highly-automated open-source pipeline for simulating flow and flow-related processes in (embedded) tubular structures. Addressing a critical gap in computational fluid dynamics (CFD) and simulation sciences, it facilitates the transition from raw three-dimensional imaging, graph networks, or CAD models of tubular objects to refined, simulation-ready meshes. This transition, traditionally labor-intensive and challenging, is streamlined and highly-automated through a series of innovative steps that include surface mesh processing, centre-line construction, anisotropic mesh generation, and volumetric meshing, leading to Finite Element Method (FEM) simulations. The pipeline leverages a range of open-source software and libraries, notably GIBBON, FEniCS, and Paraview, to provide flexibility and broad applicability across different simulation scenarios, ranging from biomedical to industrial applications. We demonstrate the versatility of our approach through five distinct applications, including the mesh generation for soil-root systems, lung airways, microcirculation networks, and portal vein networks, each originating from a different data source. Moreover, for several of these cases, we incorporate Computational Fluid Dynamics (CFD) simulations and strategies for 3D-1D coupling between the embedding domain and the embedded structures. Finally, we outline some future perspectives aimed at enhancing accuracy, reducing computational time, and incorporating advanced modeling and boundary condition strategies to further refine the framework's capabilities.

Abstract Deep learning has become an invaluable tool for bioimage analysis but, while open-source cell annotation software such as cellpose are widely used, an equivalent tool for three-dimensional (3D) vascular annotation does not exist. With the vascular system being directly impacted by a broad range of diseases, there is significant medical interest in quantitative analysis for vascular imaging. However, existing deep learning approaches for this task are specialised to particular tissue types or imaging modalities. We present a new deep learning model for segmentation of vasculature that is generalisable across tissues, modalities, scales and pathologies. To create a generalisable model, a 3D convolutional neural network was trained using data from multiple modalities including optical imaging, computational tomography and photoacoustic imaging. Through this varied training set, the model was forced to learn common features of vessels cross-modality and scale. Following this, the general model was fine-tuned to different applications with a minimal amount of manually labelled ground truth data. It was found that the general model could be specialised to segment new datasets, with a high degree of accuracy, using as little as 0.3% of the volume of that dataset for fine-tuning. As such, this model enables users to produce accurate segmentations of 3D vascular networks without the need to label large amounts of training data.