DOI: https://doi.org/10.1186/s12903-025-06311-9
PMID: https://pubmed.ncbi.nlm.nih.gov/40468302
تاريخ النشر: 2025-06-04
المؤلف: İsmail Gümüşsoy وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تهدف هذه الدراسة إلى تطوير والتحقق من صحة أداة ذكاء اصطناعي لتقسيم القناة الفكية السفلية (MaC) والقناة الثنائية (BMaC) بدقة في صور الأشعة المقطعية باستخدام شعاع مخروط (CBCT)، وهو أمر أساسي لإجراءات الأسنان الآمنة. استخدم الباحثون 69 حجمًا من CBCT مجهول الهوية، محولين إياها من تنسيق DICOM إلى NIfTI، وطبقوا نموذج nnU-Net v2 للمعالجة. أظهرت النتائج دقة عالية في تقسيم MaC، مع درجات 0.99 للدقة، 0.82 لدرجة Dice، 0.85 للدقة، و0.80 للاسترجاع. بالمقابل، أظهر تقسيم BMaC أداءً أقل، مع درجة Dice تبلغ 0.46، ودقة 0.70، واسترجاع 0.42.
على الرغم من التحديات في تقسيم BMaC بدقة، تشير النتائج إلى أن نموذج nnU-Net v2 هو أداة واعدة لأتمتة تقسيم MaC، مما قد يخفف من عبء العمل على ممارسي طب الأسنان. تكمن الأهمية السريرية لهذا البحث في قدرته على تعزيز تحديد القنوات الثنائية، مما يقلل من خطر المضاعفات العصبية الوعائية أثناء التدخلات الجراحية. يُشجع على إجراء أبحاث مستقبلية لتحسين النموذج بشكل أكبر، بهدف تحسين دقة تقسيم BMaC وزيادة قابليته للتطبيق في البيئات السريرية.
مقدمة
تسلط المقدمة الضوء على أهمية العصب الفكي السفلية وقناته (MaC) في إجراءات الأسنان، مع التأكيد على التحديات التي تطرحها القنوات الثنائية، والتي تعقد تحديد الموقع بدقة. يتم انتقاد طرق الكشف التقليدية لكونها يدوية وعرضة للتغير، بينما ظهرت الأشعة المقطعية باستخدام شعاع مخروط (CBCT) كتقنية تصوير متفوقة، تقدم رؤى ثلاثية الأبعاد مفصلة للهياكل الفكية. ومع ذلك، لا يزال تقسيم القنوات الفكية الثنائية (BMaC) تلقائيًا باستخدام CBCT يمثل تحديًا بسبب التعقيد التشريحي، ومجموعات البيانات المحدودة، ومشكلات جودة الصورة.
لمعالجة هذه التحديات، تقترح الدراسة نهجًا قائمًا على الشبكات العصبية التلافيفية بالكامل (fCNN) لتقسيم BMaC تلقائيًا في صور CBCT. يهدف هذا الأسلوب إلى تعزيز دقة وكفاءة الكشف عن القناة الفكية وتنوعاتها الثنائية، مما يحسن في النهاية تخطيط العلاج ويقلل من انزعاج المرضى. من خلال أتمتة عملية التقسيم، تسعى الدراسة إلى تقليل عبء العمل على المتخصصين في طب الأسنان وتقليل الأخطاء البشرية، مما يضع معيارًا جديدًا في تصوير الأسنان يعود بالنفع على كل من الأطباء والباحثين.
طرق
تحدد قسم “المواد والطرق” التصميم التجريبي والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، مما يضمن إمكانية تكرار المنهجية. كما يصف القسم البروتوكولات التجريبية، بما في ذلك الظروف التي أجريت فيها التجارب، والضوابط المطبقة، والتحليلات الإحصائية التي تم تنفيذها لتفسير البيانات.
بالإضافة إلى ذلك، قد يتضمن قسم الطرق معلومات حول تقنيات أخذ العينات، وعمليات جمع البيانات، وأي اعتبارات أخلاقية ذات صلة. يضمن هذا النهج الشامل أن تكون نتائج الدراسة قوية ويمكن التحقق منها من خلال الأبحاث المستقبلية. بشكل عام، تعتبر وضوح ودقة الطرق أمرًا حاسمًا لموثوقية النتائج المقدمة في الدراسة.
نتائج
في هذه الدراسة، تم استخدام نموذج nnU-Net v2 لتقسيم القناة الفكية السفلية (MaC) والقناة الفكية الثنائية (BMaC). تم تقسيم مجموعة البيانات إلى 63 عينة للتدريب و6 للاختبار، مع إجراء التدريب على مدى متوسط 1000 دورة باستخدام خوارزمية تحسين آدم ودالة تنشيط ReLU. تضمنت مقاييس الأداء لـ MaC دقة تبلغ 0.99، ودرجة Dice تبلغ 0.82، ودقة 0.85، واسترجاع 0.80. بالنسبة لـ BMaC، كانت المقاييس المقابلة دقة 0.99، ودرجة Dice تبلغ 0.46، ودقة 0.70، واسترجاع 0.42.
كشفت التحليلات الإضافية عن درجات F1 وقيم التقاطع على الاتحاد (IoU) للقنوات غير الثنائية والثنائية كالتالي: 0.82/0.52 و0.70/0.33، على التوالي. أظهرت تحليل منحنى الخصائص التشغيلية (ROC) قيم المساحة تحت المنحنى (AUC) تبلغ 0.90 للقناة غير الثنائية و0.71 للقناة الثنائية. بالإضافة إلى ذلك، تم إنشاء رسم بياني يوضح درجة Dice وقيم دالة الخسارة على مدار دورات التدريب لتوفير رؤى حول أداء النموذج بمرور الوقت.
مناقشة
تهدف الدراسة إلى تطوير والتحقق من صحة نموذج ذكاء اصطناعي للكشف التلقائي عن القنوات الفكية الثنائية (BMaC) باستخدام الشبكات العصبية التلافيفية ثلاثية الأبعاد (CNNs)، وبالتحديد بنية nnU-Net v2. أجريت الدراسة بأثر رجعي مع موافقة أخلاقية، واستخدمت 69 مسحًا مجهول الهوية من الأشعة المقطعية باستخدام شعاع مخروط (CBCT) من مرضى تتراوح أعمارهم بين 19-55 عامًا، مع التركيز على الحالات التي تحتوي على تنوعات في القناة الفكية. شمل عملية التقسيم وضع علامات يدوية من قبل أطباء الأشعة ذوي الخبرة، تلاها تطبيق نموذج nnU-Net v2، الذي أظهر دقة عالية في تقسيم القناة الفكية السفلية (MaC) بدقة 0.99، ودرجة Dice تبلغ 0.82، ودقة 0.85، واسترجاع 0.80. ومع ذلك، كانت مقاييس الأداء لتقسيم BMaC أقل بشكل ملحوظ، مع درجة Dice تبلغ 0.46 واسترجاع 0.42، مما يشير إلى التحديات في تحديد هذه البنية التشريحية المعقدة بدقة.
تسلط النتائج الضوء على إمكانيات نماذج التعلم العميق في التصوير الطبي، لا سيما للمهام التي تتطلب جهدًا كبيرًا وعرضة للأخطاء البشرية، مثل تقسيم التنوعات التشريحية في الأشعة السينية للأسنان. على الرغم من النتائج الواعدة لتقسيم MaC، تعترف الدراسة بالقيود، بما في ذلك حجم مجموعة البيانات الصغيرة والتعقيدات الكامنة في تشريح BMaC، مما أعاق دقة التقسيم. يقترح المؤلفون أن تركز الأبحاث المستقبلية على تحسين تقنيات التقسيم وتوسيع مجموعة البيانات لتعزيز أداء النموذج، لا سيما بالنسبة لـ BMaC. بشكل عام، تؤكد الدراسة على فعالية نموذج nnU-Net v2 في تصوير الأسنان وتضع الأساس لمزيد من التقدم في تقسيم الهياكل التشريحية المعقدة تلقائيًا.
DOI: https://doi.org/10.1186/s12903-025-06311-9
PMID: https://pubmed.ncbi.nlm.nih.gov/40468302
Publication Date: 2025-06-04
Author(s): İsmail Gümüşsoy et al.
Primary Topic: Dental Radiography and Imaging
Overview
This study aimed to develop and validate an artificial intelligence tool for the accurate segmentation of the mandibular canal (MaC) and bifid canal (BMaC) in cone beam computed tomography (CBCT) images, which is essential for safe dental procedures. The researchers utilized 69 anonymized CBCT volumes, converting them from DICOM to NIfTI format, and employed the nnU-Net v2 model for processing. The results demonstrated high accuracy in segmenting the MaC, with scores of 0.99 for accuracy, 0.82 for the Dice score, 0.85 for precision, and 0.80 for recall. In contrast, the segmentation of the BMaC showed lower performance, with a Dice score of 0.46, precision of 0.70, and recall of 0.42.
Despite the challenges in accurately segmenting the BMaC, the findings suggest that the nnU-Net v2 model is a promising tool for automating the segmentation of the MaC, potentially alleviating the workload of dental practitioners. The clinical relevance of this research lies in its ability to enhance the identification of bifid canals, thereby reducing the risk of neurovascular complications during surgical interventions. Future research is encouraged to refine the model further, aiming to improve the segmentation accuracy of the BMaC and enhance its applicability in clinical settings.
Introduction
The introduction highlights the significance of the mandibular alveolar nerve and its canal (MaC) in dental procedures, emphasizing the challenges posed by bifid canals, which complicate accurate localization. Traditional detection methods are criticized for being manual and prone to variability, while Cone Beam Computed Tomography (CBCT) has emerged as a superior imaging technique, providing detailed three-dimensional views of mandibular structures. However, the automatic segmentation of bifid mandibular canals (BMaC) using CBCT remains challenging due to anatomical complexity, limited datasets, and image quality issues.
To address these challenges, the study proposes a fully Convolutional Neural Network (fCNN)-based approach for the automatic segmentation of the BMaC in CBCT images. This method aims to enhance the accuracy and efficiency of detecting the mandibular canal and its bifid variations, ultimately improving treatment planning and reducing patient discomfort. By automating the segmentation process, the study seeks to minimize the workload on dental professionals and mitigate human error, thereby establishing a new standard in dental imaging that benefits both clinicians and researchers.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring that the methodology can be replicated. The section also describes the experimental protocols, including the conditions under which experiments were conducted, the controls implemented, and the statistical analyses performed to interpret the data.
Additionally, the methods section may include information on the sampling techniques, data collection processes, and any relevant ethical considerations. This comprehensive approach ensures that the study’s findings are robust and can be validated by future research. Overall, the clarity and rigor of the methods are crucial for the reliability of the results presented in the study.
Results
In this study, the nnU-Net v2 model was utilized for the segmentation of the mandibular canal (MaC) and bifid mandibular canal (BMaC). The dataset was divided into 63 samples for training and 6 for testing, with training conducted over an average of 1000 epochs using the Adam optimization algorithm and ReLU activation function. Performance metrics for the MaC included an accuracy of 0.99, Dice score of 0.82, precision of 0.85, and recall of 0.80. For the BMaC, the corresponding metrics were an accuracy of 0.99, Dice score of 0.46, precision of 0.70, and recall of 0.42.
Further analysis revealed F1-scores and Intersection over Union (IoU) values for the non-bifid and bifid canals as 0.82/0.52 and 0.70/0.33, respectively. The receiver operating characteristic (ROC) curve analysis yielded area under the curve (AUC) values of 0.90 for the non-bifid canal and 0.71 for the bifid canal. Additionally, a graph depicting the Dice score and loss function values throughout the training cycles was generated to provide insights into the model’s performance over time.
Discussion
The study aimed to develop and validate an artificial intelligence model for the automatic detection of bifid mandibular canals (BMaC) using 3D convolutional neural networks (CNNs), specifically the nnU-Net v2 architecture. Conducted retrospectively with ethical approval, the research utilized 69 anonymized cone-beam computed tomography (CBCT) scans from patients aged 19-55, focusing on cases with variations of the mandibular canal. The segmentation process involved manual labeling by experienced radiologists, followed by the application of the nnU-Net v2 model, which demonstrated high accuracy in segmenting the mandibular canal (MaC) with an accuracy of 0.99, Dice score of 0.82, precision of 0.85, and recall of 0.80. However, the performance metrics for BMaC segmentation were notably lower, with a Dice score of 0.46 and recall of 0.42, indicating challenges in accurately identifying this complex anatomical structure.
The findings highlight the potential of deep learning models in medical imaging, particularly for tasks that are labor-intensive and prone to human error, such as the segmentation of anatomical variations in dental radiology. Despite the promising results for MaC segmentation, the study acknowledges limitations, including the small dataset size and the inherent complexities of BMaC anatomy, which hindered segmentation accuracy. The authors suggest that future research should focus on refining segmentation techniques and expanding the dataset to enhance model performance, particularly for BMaC. Overall, the study underscores the effectiveness of the nnU-Net v2 model in dental imaging and sets the stage for further advancements in automated segmentation of complex anatomical structures.