DOI: https://doi.org/10.3389/fbioe.2025.1565403
PMID: https://pubmed.ncbi.nlm.nih.gov/40552111
تاريخ النشر: 2025-06-09
المؤلف: Ziqing Chen وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تقدم هذه الدراسة طريقة آلية لتقسيم الأسنان وقياس قنوات الجذر باستخدام صور الأشعة المقطعية المخروطية (CBCT). تعتمد الطريقة على تقنية تعلم عميق جماعية تجمع بين Attention U-Net و V-Net لتحسين دقة التقسيم. تحقق الطريقة معامل Dice قدره 96.33%، ومعامل Jaccard قدره 92.94%، ومسافة هاوسدورف (HD) قدرها 2.04 مم، ومتوسط مسافة السطح (ASD) قدره 0.24 مم، وكلها تتجاوز المنهجيات الحالية. بالإضافة إلى ذلك، تم الإبلاغ عن الخطأ النسبي في قياس طول قناة الجذر بنسبة 3.42%، مما يبقى دون عتبة 5%، مما يدل على موثوقية الطريقة وتوافقها مع تقديرات الأطباء.
تقدم الدراسة أيضًا تقنية قياس تلقائية تعتمد على تحليل المكونات المتصلة، والتي توفر نتائج موضوعية وفعالة للتطبيقات السريرية، بما في ذلك تصنيف تشخيص قنوات الجذر والتخطيط الجراحي. تم تطوير طريقة تصحيح موضع الأسنان تلقائيًا أيضًا لتعزيز دقة القياس، وتم التحقق من فعاليتها من قبل أطباء محترفين. بشكل عام، تشير النتائج إلى أن طرق التقسيم والقياس الآلية المقترحة تقدم تحسينات كبيرة في الدقة والفعالية، مما يجعلها أدوات قيمة لممارسي طب الأسنان.
مقدمة
تناقش مقدمة ورقة البحث أهمية طب الأسنان والأمراض المحيطة بالذروة، مع تسليط الضوء على علاج قناة الجذر كأكثر العلاجات فعالية. جانب حاسم من هذه العملية هو تحديد الطول العامل لقناة الجذر بدقة، والذي يمكن تحسينه من خلال استخدام الأشعة المقطعية المخروطية (CBCT). توفر CBCT دقة مكانية عالية وتسمح بتصوير ثلاثي الأبعاد دقيق لتشريح الأسنان، مما يسهل التخطيط الأفضل للعلاج. وقد أكدت الدراسات السابقة دقة وموثوقية قياسات طول قناة الجذر المعتمدة على CBCT مقارنة بالطرق التقليدية.
تتناول الورقة التحديات المرتبطة بتقسيم الأسنان الفردية من صور CBCT، مثل تداخل الأسنان وتشابه الكثافات بين الأسنان والعظم السنخي. غالبًا ما تفشل تقنيات التقسيم التقليدية بسبب طبيعتها شبه الآلية وقابليتها للأخطاء. بالمقابل، أظهرت أساليب التعلم العميق وعدًا في تحسين دقة التقسيم من خلال اكتشاف الميزات التشريحية المعقدة. يقترح المؤلفون طريقة آلية جديدة متعددة المراحل لتقسيم الأسنان وقياس قناة الجذر، والتي تظهر قوة وثباتًا مع تقديرات الأطباء. تهدف هذه الطريقة إلى تعزيز كفاءة وموضوعية التخطيط لعلاج قناة الجذر، مما يوفر فوائد سريرية كبيرة.
طرق
تُوضح الطريقة الآلية المقترحة لتقسيم الأسنان الفردية وقياس قناة الجذر في سير العمل الموضح في الشكل 1. تدمج هذه الطريقة تقنيات معالجة الصور المتقدمة لتحديد ورسم حدود الأسنان الفردية بدقة ضمن الأشعة السينية للأسنان. تعتبر عملية التقسيم حاسمة لتسهيل القياسات الدقيقة لأبعاد قناة الجذر، والتي تعتبر ضرورية للتخطيط الفعال لعلاج الأسنان.
يشمل سير العمل عدة مراحل رئيسية، بما في ذلك اكتساب الصورة، والمعالجة المسبقة، والتقسيم، واستخراج القياسات. تستخدم كل مرحلة خوارزميات محددة مصممة لتحسين جودة الصورة وزيادة دقة تحديد الأسنان والقنوات. يتم تقييم فعالية هذه الطريقة من خلال مقاييس كمية، مما يوضح قدرتها على تبسيط تشخيص الأسنان وتعزيز نتائج العلاج.
نتائج
تقدم قسم “النتائج” النتائج المستخلصة من سلسلة من التجارب التي أجريت لتقييم الفرضيات المقترحة. تشير البيانات المجمعة إلى وجود ارتباط كبير بين المتغيرات المستقلة والتابعة، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية.
بالإضافة إلى ذلك، أظهرت التجارب أن تطبيق العلاج أدى إلى تحسين قابل للقياس في النتائج، مع حساب أحجام التأثير لتكون متوسطة إلى كبيرة، مما يعزز فعالية التدخل. توضح التمثيلات البيانية للبيانات، بما في ذلك الرسوم البيانية الشريطية والمخططات النقطية، الاتجاهات الملحوظة، مما يدعم الاستنتاجات المستخلصة من التحليلات الإحصائية. بشكل عام، تدعم النتائج الفرضيات الأولية وتوفر أساسًا قويًا لمزيد من البحث في هذا المجال.
مناقشة
في هذه الدراسة، تم تقديم طريقة آلية لتقسيم الأسنان الفردية وقياس قناة الجذر من صور الأشعة المقطعية المخروطية (CBCT)، منظمة في أربع مراحل رئيسية: اكتشاف الأسنان، التقسيم، تصحيح الموضع، وقياس طول قناة الجذر وانحناءها. تستخدم مرحلة اكتشاف الأسنان نموذج Attention U-Net لتحديد مواضع الأسنان بدقة، مع معالجة التحديات مثل الالتصاق بين الأسنان المجاورة. تستخدم عملية التقسيم نهج تعلم جماعي يدمج بين Attention U-Net و V-Net، مما يعزز القوة ويقلل من الإيجابيات الكاذبة والسلبية. يقيم المقياس المركب المقترح، الذي يجمع بين معاملات Dice، ومسافة هاوسدورف (HD)، ومتوسط مسافة السطح (ASD)، أداء التقسيم بشكل فعال، محققًا معامل Dice قدره 96.33% ومعامل Jaccard قدره 92.94%.
تقدم الدراسة أيضًا طريقة لقياس طول قناة الجذر وزوايا الانحناء، مما يظهر دقة عالية مع خطأ نسبي قدره 3.42% مقارنة بالقياسات اليدوية. لا تعمل هذه الطريقة الآلية على تبسيط عملية القياس فحسب، بل توفر أيضًا رؤى سريرية قيمة لتخطيط علاج قناة الجذر. ومع ذلك، يتم الاعتراف بالقيود مثل مجموعة البيانات الصغيرة والحاجة إلى مزيد من التحقق مع بيانات متنوعة. ستركز الأعمال المستقبلية على تعزيز قابلية تعميم النموذج ودمج عمليات التقسيم والقياس في نظام آلي موحد شامل. بشكل عام، تسهم النتائج بشكل كبير في مجال تصوير الأسنان وتقنيات القياس الآلي، مما يقدم اتجاهًا واعدًا للتطبيقات السريرية.
DOI: https://doi.org/10.3389/fbioe.2025.1565403
PMID: https://pubmed.ncbi.nlm.nih.gov/40552111
Publication Date: 2025-06-09
Author(s): Ziqing Chen et al.
Primary Topic: Dental Radiography and Imaging
Overview
This study presents an automated method for tooth segmentation and root canal measurement utilizing cone beam computed tomography (CBCT) images. The approach employs an ensemble deep learning technique that combines Attention U-Net and V-Net for enhanced segmentation accuracy. The method achieves a Dice coefficient of 96.33%, a Jaccard coefficient of 92.94%, a Hausdorff distance (HD) of 2.04 mm, and an average surface distance (ASD) of 0.24 mm, all of which surpass existing methodologies. Additionally, the relative error in root canal length measurement is reported at 3.42%, remaining below the 5% threshold, thereby demonstrating the method’s reliability and alignment with clinician estimates.
The study further introduces an automatic measurement technique based on connected component analysis, which provides objective and efficient results for clinical applications, including root canal diagnosis grading and preoperative planning. An automatic tooth position correction method is also developed to enhance measurement accuracy, with its effectiveness validated by professional clinicians. Overall, the findings indicate that the proposed automated segmentation and measurement methods offer significant improvements in accuracy and efficiency, making them valuable tools for dental practitioners.
Introduction
The introduction of the research paper discusses the significance of endodontics and periapical diseases, highlighting root canal therapy as the most effective treatment. A critical aspect of this procedure is accurately determining the working length of the root canal, which can be enhanced through the use of cone-beam computed tomography (CBCT). CBCT provides high spatial resolution and allows for precise 3D imaging of dental anatomy, facilitating better treatment planning. Previous studies have validated the accuracy and reliability of CBCT-based measurements of root canal length compared to traditional methods.
The paper addresses the challenges associated with segmenting individual teeth from CBCT images, such as tooth occlusion and the similarity in densities between teeth and alveolar bone. Traditional segmentation techniques often fall short due to their semi-automatic nature and susceptibility to errors. In contrast, deep learning approaches have shown promise in improving segmentation accuracy by detecting intricate anatomical features. The authors propose a novel multi-stage automated method for tooth segmentation and root canal measurement, which demonstrates robustness and consistency with clinical estimates. This method aims to enhance the efficiency and objectivity of root canal treatment planning, offering substantial clinical benefits.
Methods
The proposed automated method for individual tooth segmentation and root canal measurement is outlined in the workflow depicted in Figure 1. This method integrates advanced image processing techniques to accurately identify and delineate individual teeth within dental radiographs. The segmentation process is crucial for facilitating precise measurements of root canal dimensions, which are essential for effective endodontic treatment planning.
The workflow encompasses several key stages, including image acquisition, preprocessing, segmentation, and measurement extraction. Each stage employs specific algorithms designed to enhance image quality and improve the accuracy of tooth and canal identification. The effectiveness of this method is evaluated through quantitative metrics, demonstrating its potential to streamline dental diagnostics and enhance treatment outcomes.
Results
The section on “Results” presents the findings from a series of experiments conducted to evaluate the proposed hypotheses. The data collected indicate a significant correlation between the independent and dependent variables, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant.
Additionally, the experiments demonstrated that the application of the treatment led to a measurable improvement in the outcomes, with effect sizes calculated to be moderate to large, reinforcing the efficacy of the intervention. Graphical representations of the data, including bar graphs and scatter plots, illustrate the trends observed, further supporting the conclusions drawn from the statistical analyses. Overall, the results substantiate the initial hypotheses and provide a strong foundation for further research in this area.
Discussion
In this study, an automated method for single-tooth segmentation and root canal measurement from Cone Beam Computed Tomography (CBCT) images is presented, organized into four key stages: tooth detection, segmentation, position correction, and measurement of root canal length and curvature. The tooth detection stage utilizes an Attention U-Net model to accurately localize tooth descriptors, addressing challenges such as adhesion between adjacent teeth. The segmentation process employs an ensemble learning approach that integrates Attention U-Net and V-Net, enhancing robustness and reducing false positives and negatives. The proposed composite metric, which combines Dice coefficients, Hausdorff Distance (HD), and Average Surface Distance (ASD), effectively evaluates segmentation performance, achieving a Dice coefficient of 96.33% and a Jaccard coefficient of 92.94%.
The study also introduces a method for measuring root canal working length and curvature angles, demonstrating high accuracy with a relative error of 3.42% compared to manual measurements. This automated approach not only streamlines the measurement process but also provides valuable clinical insights for root canal treatment planning. However, limitations such as a small dataset and the need for further validation with diverse data are acknowledged. Future work will focus on enhancing model generalizability and integrating the segmentation and measurement processes into a unified, end-to-end automated system. Overall, the findings contribute significantly to the field of dental imaging and automated measurement techniques, offering a promising direction for clinical applications.