Détection de la sinusite maxillaire d’origine endodontique sur des images CBCT par des algorithmes d’apprentissage profond

Quand un problème dentaire atteint les sinus

Un nez souvent bouché ou une sensation de pression faciale sont souvent attribués aux allergies ou à un rhume, mais une part surprenante des troubles sinusaux provient en réalité d’infections des molaires supérieures. Cette étude examine comment l’intelligence artificielle peut lire des scans dentaires 3D pour repérer quand une sinusite est liée à une infection de la racine dentaire, aidant dentistes et médecins à identifier la cause correcte plus rapidement et avec davantage de confiance.

Pourquoi les problèmes de sinus et les dents sont liés

Les sinus maxillaires se situent juste au-dessus des molaires supérieures, séparés seulement par une fine couche osseuse. Lorsque le tissu mou à l’intérieur de ces sinus s’enflamme ou s’épaissit, les personnes peuvent développer une congestion chronique, des douleurs ou une sensation de plénitude dans la joue. Dans de nombreux cas, une infection dentaire au bout d’une racine irrite la muqueuse sinusale voisine, mais les symptômes peuvent ressembler à une sinusite banale et la dent peut paraître cliniquement peu active. Cela rend difficile, même pour des cliniciens expérimentés, de déterminer si la sinusite est causée par une maladie dentaire, par d’autres causes sinusales, ou si le sinus est en réalité normal.

Comment les scans dentaires 3D offrent une vue plus claire

La tomodensitométrie à faisceau conique, ou CBCT, est un scan dentaire 3D qui montre à la fois l’os et les tissus mous avec un niveau de détail fin et à dose de radiation relativement faible. Elle peut révéler des modifications subtiles autour des racines dentaires et de la muqueuse sinusale qui échappent à la TDM médicale standard ou aux radiographies planes. Dans cette étude, les chercheurs ont rassemblé 70 scans CBCT provenant de deux cliniques endodontiques et ont soigneusement sélectionné plus de 5 000 coupes bidimensionnelles selon trois angles de vue : de dessus (axial), de face (coronal) et de profil (sagittal). Des dentistes experts et un radiologue oral ont examiné chaque scan et se sont mis d’accord sur quelles images montraient un sinus normal, quelles images montraient une sinusite liée à une racine dentaire malade, et quelles images montraient une sinusite d’autres causes non dentaires.

Apprendre à l’ordinateur à lire les images

Avant d’entraîner leur système d’apprentissage profond, l’équipe a nettoyé et amélioré les images. Ils ont standardisé la taille des images, réduit le bruit et les artéfacts métalliques, et accentué les contours pour faire ressortir les structures clés. Ils ont aussi utilisé un type de modèle génératif pour créer des images d’entraînement supplémentaires de haute qualité, enrichissant et diversifiant ainsi l’ensemble de données. Le pipeline informatique a ensuite suivi plusieurs étapes. D’abord, il a appris à reconnaître pour chaque coupe l’angle de vue représenté. Ensuite, une étape de segmentation a appris à délimiter trois régions clés : les racines dentaires, la cavité sinusale et la fine muqueuse. Enfin, des réseaux spécialisés ont analysé chaque vue pour extraire des motifs liés à la maladie, et un modèle « multi‑vue » a combiné l’information des trois angles pour décider si le sinus était normal, affecté par un problème de racine dentaire, ou affecté par une autre maladie sinusale.

Performances du système

Les chercheurs ont testé leurs modèles sur des images réservées et sur un jeu de données complètement séparé de 738 coupes CBCT issues de nouveaux patients. Le classifieur d’angle a presque jamais confondu les trois orientations de coupe. L’étape de segmentation a délimité les racines, l’espace sinusien et la muqueuse avec un fort recouvrement par rapport aux annotations des experts dans les trois vues. Chaque classifieur mono‑vue a déjà atteint une bonne précision, mais le réseau multi‑vue qui fusionnait les trois perspectives a donné les meilleurs résultats. Tant sur les jeux de test que sur les données externes, il a correctement étiqueté chaque cas dans les trois catégories, concordant avec le jugement combiné du panel d’experts. Les auteurs ont pris plusieurs mesures pour éviter le surapprentissage, incluant une répartition des données par patient, des augmentations soignées et des techniques de régularisation, afin de rendre le système plus susceptible de se généraliser au‑delà de l’échantillon étudié.

Ce que cela pourrait signifier pour les patients

Pour les cliniciens, ce pipeline automatisé pourrait servir de second lecteur infatigable mettant en évidence les sinusites d’origine radiculaire, cartographiant la morphologie sinusale et montrant la distance entre les racines infectées et le plancher sinusien. Un tel soutien peut aider à planifier un traitement de canal, à décider de la conduite à tenir face à des symptômes sinusaux persistants, et à guider des interventions d’implantologie ou de sinus lift. Alors que l’étude actuelle travaille sur des coupes 2D issues d’un champ de vue limité et nécessite encore des tests plus larges dans d’autres cliniques et sur d’autres appareils, elle pose une base solide pour de futurs outils analysant des scans 3D complets. En termes simples, ce travail montre qu’une IA soigneusement conçue peut repérer de manière fiable quand les troubles sinusaux sont liés aux racines dentaires, offrant une voie plus claire pour relier une pression faciale vague à la véritable source du problème.

Citation: 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

Mots-clés: sinusite maxillaire, sinusite odontogène, cone beam CT, apprentissage profond, imagerie dentaire