PMCanalSeg: Een dataset voor automatische segmentatie van de pterygopalatine en mandibulaire kanalen uit 3D CBCT‑beelden

Waarom verborgen doorgangen in de kaak ertoe doen

Wanneer chirurgen kaakafwijkingen corrigeren om iemands beet of gelaatsvorm te verbeteren, werken ze op enkele millimeters van kwetsbare zenuwen en bloedvaten die in het bot verborgen liggen. Als deze kleine kanaaltjes beschadigd raken, kunnen patiënten bloedingen, gevoelloosheid of langdurige pijn krijgen. Dit artikel beschrijft PMCanalSeg, een recent vrijgegeven verzameling 3D‑tandscans bedoeld om computers te helpen twee bijzonder belangrijke botkanalen in de boven‑ en onderkaak te herkennen, waardoor deze ingrepen veiliger en preciezer worden.

Delicate tunnels in het gezicht

In onze aangezichtsbeenderen lopen smalle doorgangen die zenuwen en vaten beschermen. Twee van de belangrijkste voor kaakchirurgie zijn het mandibulaire kanaal, dat de hoofdzenuw van de onderkaak bevat, en het pterygopalatine kanaal, een kleiner, complexer kanaal in de bovenkaak. Tijdens orthognathe (kaakcorrigerende) chirurgie moeten artsen bot doorsnijden en verplaatsen terwijl ze deze structuren ontwijken. Traditioneel tekenen chirurgen of radiologen de kanalen slice voor slice af op cone beam CT (CBCT)‑scans, een veelgebruikte 3D‑röntgenmethode in de tandheelkunde. Dit zorgvuldige handwerk is traag, vereist veel expertise en is gevoelig voor menselijke fouten.

Computers leren kijken in 3D

De afgelopen jaren heeft deep learning de analyse van medische beelden veranderd, waardoor computers automatisch organen en andere structuren kunnen afbakenen. Zulke systemen hebben echter veel hoogwaardige, deskundig gelabelde voorbeelden nodig om betrouwbaar genoeg te worden voor klinisch gebruik. Voor mandibulaire kanalen bestaan slechts enkele publieke datasets, en die richten zich voornamelijk op de onderkaak. Een groot blinde vlek was het pterygopalatine kanaal in de bovenkaak, dat moeilijker zichtbaar is en sterk kan variëren tussen mensen. Zonder ruime, open datasets die beide kanalen bestrijken, is het lastig om robuuste algoritmen te trainen of verschillende methoden eerlijk te vergelijken.

Het samenstellen van de PMCanalSeg‑collectie

De auteurs vullen dit gat met PMCanalSeg, een samengestelde set CBCT‑scans van 191 patiënten die behandeld zijn in een tandheelkundig ziekenhuis in China. Alle persoonlijke identificerende gegevens werden verwijderd volgens strikte privacyregels; alleen essentiële gegevens zoals leeftijd, geslacht en scandidum werden bewaard. Elke scan werd omgezet van het oorspronkelijke ziekenhuisformaat naar een onderzoeksvriendelijk 3D‑bestand en verwerkt om bot te benadrukken en niet‑gerelateerde structuren zoals de wervelkolom te verwijderen. De schedel werd vervolgens digitaal opgesplitst in boven‑ en onderkaak zodat algoritmen zich kunnen richten op de gebieden waar de twee kanalen lopen.

Deskundige afbakening en zorgvuldige controle

Om de kanalen nauwkeurig te markeren werkten vier ervaren kaakchirurgen in fasen. Twee specialisten tekenden eerst het verloop van het pterygopalatine en het mandibulaire kanaal op elke 3D‑scan, en bepaalden welke kleine 3D‑pixels bij elk kanaal hoorden. Twee aanvullende chirurgen controleerden daarna deze markeringen laag voor laag tegen de oorspronkelijke beelden en corrigeerden eventuele afwijkingen. Voor een steekproef van cases maten de onderzoekers hoe goed verschillende experts overeenkwamen en vonden ze een zeer hoge consistentie, wat aangeeft dat de labels betrouwbaar zijn. De uiteindelijke dataset is netjes per patiënt georganiseerd, met aparte mappen voor bovenkaak, onderkaak en volledige schedelvolumes, wat het voor onderzoekers eenvoudig in gebruik maakt.

Hoe goed leren machines ervan?

Om PMCanalSeg te testen trainden de auteurs meerdere toonaangevende 3D‑segmentatienetwerken en evalueerden ze hoe nauw hun voorspellingen aansloten bij de deskundige labels. Voor het mandibulaire kanaal presteerden moderne transformer‑gebaseerde modellen bijzonder goed en volgden ze het werkelijke zenuwverloop nauw. Het pterygopalatine kanaal bleek uitdagender: de kleine omvang, complexe vorm en de drukke anatomie van de bovenkaak leidden tot lagere nauwkeurigheid en meer grensfouten. Het team vergeleek de resultaten op PMCanalSeg ook met die op een andere veelgebruikte dataset voor de onderkaak en besprak hoe verschillen in scankwaliteit, labelstijl en dekking van anatomie gerapporteerde prestaties kunnen beïnvloeden.

Wat dit betekent voor patiënten en onderzoek

Voor niet‑specialisten is de kernboodschap dat PMCanalSeg de eerste open collectie van 3D‑kaakbeelden biedt met gedetailleerde markeringen voor zowel een belangrijk onderkaak‑zenuwkanaal als een eerder verwaarloosd bovenkaak‑kanaal. Door deze data en ondersteunende code vrij beschikbaar te maken voor niet‑commercieel gebruik bieden de auteurs een stevig fundament voor het ontwikkelen en benchmarken van computergereedschappen die deze verborgen doorgangen automatisch kunnen markeren vóór de operatie. Naarmate deze hulpmiddelen verbeteren, kunnen chirurgen beter plannen welke botdelen zij moeten snijden om kritieke zenuwen en vaten te vermijden, waardoor complicaties verminderen en patiënten veiliger en voorspelbaarder uit kaakchirurgie komen.

Bronvermelding: 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

Trefwoorden: cone beam CT, kaakchirurgie, segmentatie van medische beelden, tandheelkundige beeldvorming, deep learning dataset