PMCanalSeg : un jeu de données pour la segmentation automatique des canaux ptérygopalatin et mandibulaire à partir d’images CBCT 3D

Pourquoi les voies cachées de la mâchoire comptent

Lorsque les chirurgiens corrigent des déformations de la mâchoire pour améliorer la morsure ou l’apparence du visage, ils opèrent à quelques millimètres de nerfs et de vaisseaux sanguins délicats, dissimulés dans l’os. Si ces petits canaux sont endommagés, les patients peuvent subir des saignements, un engourdissement ou des douleurs persistantes. Cet article présente PMCanalSeg, une collection nouvellement publiée de scans dentaires 3D destinée à aider les ordinateurs à repérer deux canaux osseux particulièrement importants, dans la mâchoire supérieure et inférieure, afin de rendre ces opérations plus sûres et plus précises.

Tunnels délicats à l’intérieur du visage

Dans nos os faciaux circulent des passages étroits qui abritent nerfs et vaisseaux. Deux d’entre eux sont cruciaux pour la chirurgie de la mâchoire : le canal mandibulaire, qui contient le nerf principal de la mâchoire inférieure, et le canal ptérygopalatin, un tunnel plus petit et plus complexe de la mâchoire supérieure. Lors d’une chirurgie orthognathique (corrective de la mâchoire), les chirurgiens doivent couper et repositionner l’os tout en évitant ces structures. Traditionnellement, chirurgiens ou radiologues tracent ces canaux coupe par coupe sur des scans en cone beam CT (CBCT), une méthode de radiographie 3D largement utilisée en dentisterie. Ce travail manuel minutieux est lent, exige une expertise pointue et reste sujet à l’erreur humaine.

Apprendre aux ordinateurs à voir en 3D

Ces dernières années, le deep learning a transformé l’analyse d’images médicales, permettant aux ordinateurs d’apprendre à délimiter automatiquement organes et structures. Cependant, ces systèmes exigent de nombreux exemples annotés de haute qualité pour atteindre une fiabilité clinique. Pour les canaux mandibulaires, seuls quelques jeux de données publics existent, et ils se concentrent principalement sur la mâchoire inférieure. Une lacune majeure concernait le canal ptérygopalatin de la mâchoire supérieure, plus difficile à visualiser et très variable d’un individu à l’autre. En l’absence de jeux de données ouverts riches couvrant les deux canaux, il est difficile d’entraîner des algorithmes robustes ou de comparer équitablement différentes méthodes.

Constitution de la collection PMCanalSeg

Les auteurs comblent ce vide en constituant PMCanalSeg, un ensemble soigné de scans CBCT provenant de 191 patients traités dans un hôpital dentaire en Chine. Toutes les informations personnelles ont été supprimées dans le respect de règles strictes de confidentialité, seules des données essentielles comme l’âge, le sexe et la date du scan ont été conservées. Chaque scan a été converti du format hospitalier original en un fichier 3D adapté à la recherche et traité pour mettre en valeur l’os et éliminer les structures non pertinentes comme la colonne vertébrale. Le crâne a ensuite été séparé numériquement en régions de mâchoire supérieure et inférieure afin que les algorithmes puissent se concentrer sur les zones traversées par les deux canaux.

Tracé expert et vérification rigoureuse

Pour marquer précisément les canaux, quatre chirurgiens bucco‑maxillo‑faciaux expérimentés ont travaillé par étapes. Deux spécialistes ont d’abord tracé le parcours des canaux ptérygopalatin et mandibulaire sur chaque scan 3D, définissant quels petits voxels 3D appartenaient à chaque tunnel. Deux autres chirurgiens ont ensuite vérifié ces annotations couche par couche par rapport aux images originales, corrigeant les éventuelles discordances. Sur un échantillon de cas, l’équipe a mesuré le degré d’accord entre experts et a constaté une très grande cohérence, montrant que les annotations sont fiables. Le jeu de données final est soigneusement organisé par patient, avec des dossiers séparés pour la mâchoire supérieure, la mâchoire inférieure et le volume du crâne complet, ce qui facilite son utilisation par les chercheurs.

Les machines apprennent‑elles bien à partir de ces données ?

Pour évaluer PMCanalSeg, les auteurs ont entraîné plusieurs réseaux de segmentation d’images 3D de pointe et comparé leurs prédictions aux annotations expertes. Pour le canal mandibulaire, les modèles modernes basés sur des transformers ont montré de très bonnes performances, suivant de près le trajet réel du nerf. Le canal ptérygopalatin s’est avéré plus difficile : sa petite taille, sa forme complexe et l’anatomie dense de la mâchoire supérieure ont conduit à une précision plus faible et à davantage d’erreurs de bord. L’équipe a également comparé les résultats obtenus sur PMCanalSeg avec ceux d’un autre jeu de données largement utilisé pour la mâchoire inférieure et a discuté de la manière dont la qualité des scans, le style d’annotation et la couverture anatomique peuvent influencer les performances rapportées.

Ce que cela signifie pour les patients et la recherche

Pour les non‑spécialistes, l’essentiel est que PMCanalSeg propose la première collection ouverte d’images 3D de la mâchoire comportant des annotations détaillées pour un canal nerveux majeur de la mâchoire inférieure et pour un canal de la mâchoire supérieure jusque‑là négligé. En rendant ces données et le code associé librement accessibles pour un usage non commercial, les auteurs offrent une base solide pour développer et évaluer des outils informatiques capables de mettre automatiquement en évidence ces voies cachées avant la chirurgie. À mesure que ces outils s’amélioreront, les chirurgiens pourront mieux planifier des coupes évitant les nerfs et vaisseaux critiques, réduisant les complications et permettant aux patients de sortir d’une chirurgie de la mâchoire avec des résultats plus sûrs et plus prévisibles.

Citation: 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

Mots-clés: cone beam CT, chirurgie maxillo‑faciale, segmentation d’images médicales, imagerie dentaire, jeu de données deep learning