PMCanalSeg: Ein Datensatz zur automatischen Segmentierung der pterygopalatinen und mandibulären Kanäle in 3D-CBCT-Bildern

Warum verborgene Wege im Kiefer wichtig sind

Wenn Chirurgen Kieferfehlstellungen korrigieren, um den Biss oder das Gesichtsaussehen zu verbessern, operieren sie nur wenige Millimeter neben empfindlichen Nerven und Blutgefäßen, die im Knochen verborgen liegen. Werden diese feinen Kanäle verletzt, kann das zu Blutungen, Taubheitsgefühlen oder langanhaltenden Schmerzen führen. Dieser Artikel beschreibt PMCanalSeg, eine neu veröffentlichte Sammlung von 3D-Zahns cans, die Computern helfen soll, zwei besonders wichtige knöcherne Kanäle im Ober- und Unterkiefer zu erkennen und so Operationen sicherer und präziser zu machen.

Empfindliche Tunnel im Gesicht

Durch unsere Gesichtsknochen verlaufen enge Gänge, die Nerven und Gefäße schützen. Zwei der wichtigsten für die Kieferchirurgie sind der mandibuläre Kanal, der den Hauptnerv im Unterkiefer führt, und der pterygopalatine Kanal, ein kleinerer, komplexerer Kanal im Oberkiefer. Bei der orthognathen (kieferkorrigierenden) Chirurgie müssen Ärzte Knochen durchtrennen und neu positionieren, dabei diese Strukturen vermeiden. Traditionell zeichnen Chirurgen oder Radiologen die Kanäle Schicht für Schicht auf Cone-Beam-CT-(CBCT)-Scans nach, einem in der Zahnmedizin weit verbreiteten 3D-Röntgenverfahren. Diese sorgfältige manuelle Arbeit ist zeitaufwendig, erfordert große Expertise und ist anfällig für menschliche Fehler.

Computern beibringen, in 3D zu sehen

In den letzten Jahren hat Deep Learning die Analyse medizinischer Bilder revolutioniert und es Computern ermöglicht, automatisch Organe und andere Strukturen zu umreißen. Diese Systeme benötigen jedoch viele hochwertige, fachkundig annotierte Beispiele, um klinische Zuverlässigkeit zu erreichen. Für den mandibulären Kanal existieren nur wenige öffentliche Datensätze, und diese konzentrieren sich hauptsächlich auf den Unterkiefer. Eine große Lücke war der pterygopalatine Kanal im Oberkiefer, der schwerer zu sehen ist und zwischen Personen stärker variiert. Ohne umfassende, offene Datensätze, die beide Kanäle abdecken, ist es schwer, robuste Algorithmen zu trainieren oder verschiedene Methoden fair zu vergleichen.

Aufbau der PMCanalSeg-Sammlung

Die Autorinnen und Autoren schließen diese Lücke mit PMCanalSeg, einer kuratierten Sammlung von CBCT-Scans von 191 Patientinnen und Patienten, die an einem Zahnklinikum in China behandelt wurden. Alle persönlichen Identifikatoren wurden unter strengen Datenschutzregeln entfernt; nur wesentliche Angaben wie Alter, Geschlecht und Aufnahmedatum blieben erhalten. Jeder Scan wurde vom ursprünglichen Klinikformat in ein forschungsfreundliches 3D-Format konvertiert und so verarbeitet, dass Knochen betont und nicht relevante Strukturen wie die Wirbelsäule entfernt wurden. Der Schädel wurde anschließend digital in Ober- und Unterkiefer getrennt, damit Algorithmen sich auf die Regionen konzentrieren können, in denen die beiden Kanäle verlaufen.

Expertenzeichnung und sorgfältige Überprüfung

Um die Kanäle genau zu markieren, arbeiteten vier erfahrene Mundchirurgen in mehreren Schritten. Zwei Spezialisten zeichneten zunächst den Verlauf des pterygopalatinen und des mandibulären Kanals in jedem 3D-Scan nach und definierten, welche winzigen 3D-Pixel zu welchem Kanal gehörten. Zwei weitere Chirurgen überprüften diese Markierungen dann Schicht für Schicht anhand der Originalbilder und korrigierten Abweichungen. An einer Stichprobe von Fällen wurde gemessen, wie stark die Übereinstimmung zwischen den Expertinnen und Experten war, und es zeigte sich eine sehr hohe Konsistenz, was auf zuverlässige Labels hinweist. Der finale Datensatz ist übersichtlich nach Patient geordnet, mit getrennten Ordnern für Oberkiefer-, Unterkiefer- und komplette Schädelvolumina, was die Nutzung für Forschende vereinfacht.

Wie gut lernen Maschinen daraus?

Um PMCanalSeg zu testen, trainierten die Autorinnen und Autoren mehrere führende 3D-Segmentierungsnetze und bewerteten, wie nah deren Vorhersagen an den Expertenlabels lagen. Für den mandibulären Kanal schnitten moderne transformerbasierte Modelle besonders gut ab und folgten dem tatsächlichen Nervenverlauf eng. Der pterygopalatine Kanal erwies sich als anspruchsvoller: Seine geringe Größe, komplexe Form und die dichte Anatomie im Oberkiefer führten zu geringerer Genauigkeit und mehr Randfehlern. Das Team verglich die Ergebnisse auf PMCanalSeg außerdem mit denen eines anderen häufig genutzten Datensatzes für den Unterkiefer und diskutierte, wie Unterschiede in Scanqualität, Labeling-Stil und anatomischer Abdeckung die berichteten Leistungen beeinflussen können.

Was das für Patientinnen, Patienten und die Forschung bedeutet

Für Nicht‑Fachleute lautet die Kernbotschaft: PMCanalSeg bietet die erste offene Sammlung von 3D-Kieferbildern mit detaillierten Markierungen sowohl für einen wichtigen Nervenkanal im Unterkiefer als auch für einen bisher vernachlässigten Kanal im Oberkiefer. Indem diese Daten und unterstützender Code für nichtkommerzielle Zwecke frei verfügbar gemacht werden, legen die Autorinnen und Autoren eine solide Grundlage für die Entwicklung und Bewertung von computergestützten Werkzeugen, die diese verborgenen Wege vor einer Operation automatisch hervorheben können. Mit der Verbesserung solcher Werkzeuge können Chirurgen Schnitte besser planen, kritische Nerven und Gefäße vermeiden, Komplikationen reduzieren und Patientinnen und Patienten sicherere und besser vorhersagbare Ergebnisse nach Kieferoperationen ermöglichen.

Zitation: Li, G., Lu, Y., Wu, G. et al. PMCanalSeg: A dataset for automatic segmentation of the pterygopalatine and mandibular canals from 3D CBCT images. Sci Data 13, 312 (2026). https://doi.org/10.1038/s41597-026-06620-w

Schlüsselwörter: Cone-Beam-CT, Kieferchirurgie, medizinische Bildsegmentierung, dentale Bildgebung, Deep-Learning-Datensatz