Erkennung von Kieferhöhlenentzündungen odontogenen Ursprungs in Kegelstrahl-CT-Bildern mittels Deep-Learning-Algorithmen

Wenn Zahnprobleme die Kieferhöhle betreffen

Wiederkehrende verstopfte Nase oder Druck im Gesicht werden oft Allergien oder Erkältungen zugeschrieben, doch ein überraschend großer Anteil der Nasennebenhöhlenprobleme beginnt tatsächlich bei infizierten Backenzähnen. Diese Studie untersucht, wie künstliche Intelligenz 3D-Zahnscans lesen kann, um zu erkennen, wann eine Sinusitis mit Zahnwurzelinfektionen verbunden ist, und so Zahnärzten und Ärzten hilft, schneller und mit größerer Sicherheit die richtige Ursache zu finden.

Warum Sinusprobleme und Zähne verbunden sind

Die Kieferhöhlen liegen direkt über den oberen Backenzähnen und sind nur durch eine dünne Knochenschicht getrennt. Wenn das Weichgewebe in diesen Höhlen entzündet oder verdickt ist, können chronische Verstopfung, Schmerzen oder ein Gefühl von Druck in der Wange auftreten. Häufig reizt eine Zahnwurzelentzündung die angrenzende Schleimhaut der Kieferhöhle, doch die Symptome können wie gewöhnliche Sinusbeschwerden erscheinen und der Zahn scheinbar unauffällig sein. Das macht es selbst erfahrenen Klinikerinnen und Klinikern schwer zu unterscheiden, ob die Sinusitis durch Zahnkrankheit, andere Nasennebenhöhlenursachen oder gar nicht durch eine Pathologie der Kieferhöhle verursacht wird.

Wie 3D-Zahnscans eine klarere Sicht bieten

Die Kegelstrahl-Computertomographie (CBCT) ist ein dentaler 3D-Scan, der sowohl Knochen als auch Weichgewebe in feiner Auflösung bei vergleichsweise niedriger Strahlendosis zeigt. Er kann subtile Veränderungen rund um Zahnwurzeln und in der Schleimhaut der Kieferhöhle aufdecken, die in der normalen medizinischen CT oder auf zweidimensionalen Röntgenaufnahmen übersehen werden. In dieser Studie sammelten die Forschenden 70 CBCT-Scans aus zwei endodontischen Praxen und wählten sorgfältig über 5.000 zweidimensionale Schichten aus drei Betrachtungswinkeln: von oben (axial), von vorne (koronal) und aus der Seitenansicht (sagittal). Expert:innen der Zahnmedizin und ein oraler Radiologe bewerteten jede Aufnahme und einigten sich darauf, welche Bilder eine normale Kieferhöhle zeigten, welche eine mit einer erkrankten Zahnwurzel verbundene Sinusitis und welche eine Sinusitis aus anderen, nicht-zahnärztlichen Ursachen darstellten.

Dem Computer das Lesen der Bilder beibringen

Vor dem Training ihres Deep-Learning-Systems bereinigte und verbesserte das Team die Bilder. Sie standardisierten die Bildgröße, reduzierten Rauschen und Metallartefakte und schärften Kanten, damit wichtige Strukturen deutlicher hervortreten. Außerdem nutzten sie eine Art generatives Modell, um zusätzliche hochwertige Trainingsbilder zu erzeugen und so den Datensatz vielfältiger zu machen. Die Computer-Pipeline folgte dann mehreren Schritten. Zunächst lernte sie, aus jeder Schicht den betrachteten Blickwinkel zu erkennen. Anschließend lernte eine Segmentierungsstufe, drei Schlüsselregionen zu umreißen: Zahnwurzeln, die Kieferhöhlenhöhle und die dünne Schleimhaut. Schließlich untersuchten spezialisierte Netzwerke jede Ansicht, um krankheitsrelevante Muster zu extrahieren, und ein "Multi-View"-Modell kombinierte Informationen aus allen drei Winkeln, um zu entscheiden, ob die Kieferhöhle normal war, durch ein Zahnwurzelproblem betroffen oder durch andere Sinuserkrankungen beeinflusst war.

Wie gut das System abschnitt

Die Forschenden testeten ihre Modelle an zurückgehaltenen Bildern und an einem völlig separaten Satz von 738 CBCT-Schichten von neuen Patientinnen und Patienten. Der Blickwinkel-Klassifikator verwechselte die drei Scanwinkel so gut wie nie. Der Segmentierungsschritt umriss Wurzeln, Sinusraum und Schleimhaut mit hoher Überlappung im Vergleich zu den Expertenmarkierungen in allen drei Ansichten. Jeder Einzelansichts-Klassifikator erreichte bereits hohe Genauigkeit, doch das Multi-View-Netzwerk, das alle drei Perspektiven vereinte, erzielte die besten Ergebnisse. Sowohl in den Test- als auch in den externen Datensätzen bezeichnete es jeden Fall korrekt in den drei Gruppen und stimmte damit mit dem kombinierten Urteil des Expertengremiums überein. Die Autorinnen und Autoren ergriffen mehrere Maßnahmen, um Overfitting zu vermeiden, darunter die patientenweise Aufteilung der Daten, sorgfältige Augmentation und Regularisierungstechniken, damit das System eher über die Studienprobe hinaus generalisiert.

Was das für Patienten bedeuten könnte

Für Klinikerinnen und Kliniker könnte diese automatisierte Pipeline als unermüdlicher Zweitleser dienen, der wurzelbedingte Kieferhöhlenerkrankungen hervorhebt, die Form der Kieferhöhle kartiert und zeigt, wie nahe infizierte Wurzeln dem Sinusboden liegen. Eine solche Unterstützung kann bei der Planung von Wurzelkanalbehandlungen helfen, Entscheidungen zum Umgang mit anhaltenden Sinussymptomen erleichtern und Eingriffe wie Implantationen oder Sinuslift-Operationen leiten. Während die vorliegende Studie mit 2D-Schichten aus einem begrenzten Sichtfeld arbeitet und noch breitere Tests in weiteren Praxen und mit anderen Geräten benötigt, schafft sie eine solide Grundlage für künftige Werkzeuge, die vollständige 3D-Scans analysieren. Einfach ausgedrückt zeigt die Arbeit, dass eine sorgfältig entwickelte KI zuverlässig erkennen kann, wann Sinusprobleme mit Zahnwurzeln zusammenhängen, und so einen klareren Weg von unspezifischem Gesichtsdruck zur tatsächlichen Ursache weist.

Zitation: Sherif, O.A.S., Taha, N.S., Fahmy, A.M. et al. Detection of maxillary sinusitis of endodontic origin in cone-beam CT images using deep learning algorithms. Sci Rep 16, 16254 (2026). https://doi.org/10.1038/s41598-026-52147-w

Schlüsselwörter: Kieferhöhlenentzündung, odontogene Sinusitis, Kegelstrahl-CT, Deep Learning, zahnmedizinische Bildgebung