Detectie van maxillaire sinusitis van endodontische oorsprong in cone-beam CT-beelden met behulp van deep learning-algoritmen

Wanneer tandproblemen de sinussen bereiken

Terugkerende verstopte neus of druk in het gezicht wordt vaak toegeschreven aan allergie of verkoudheid, maar een verrassend deel van de sinusklachten begint eigenlijk bij geïnfecteerde achterste tanden. Deze studie onderzoekt hoe kunstmatige intelligentie 3D-tandscans kan uitlezen om te herkennen wanneer sinusitis verband houdt met infecties aan tandwortels, waardoor tandartsen en artsen sneller en met meer vertrouwen de juiste oorzaak kunnen vaststellen.

Waarom sinussen en tanden verbonden zijn

De maxillaire sinussen liggen direct boven de bovenste achtertanden en worden slechts door een dunne laag bot gescheiden. Wanneer het zachte weefsel in deze sinussen ontstoken of verdikt raakt, kunnen mensen chronische congestie, pijn of een vol gevoel in de wang ervaren. In veel gevallen irriteert een tandinfectie bij de punt van een wortel het nabijgelegen sinusslijmvlies, maar de klachten kunnen aanvoelen als gewone sinusproblemen en de tand kan rustig lijken. Dit maakt het moeilijk, zelfs voor ervaren clinici, om te bepalen of sinusitis wordt veroorzaakt door tandheelkundige ziekte, door andere sinusaandoeningen, of dat de sinus eigenlijk normaal is.

Hoe 3D-tandscans een duidelijker beeld geven

Cone beam computed tomography, of CBCT, is een tandheelkundige 3D-scan die zowel bot als zacht weefsel in fijne details laat zien bij een relatief lage stralingsdosis. Het kan subtiele veranderingen rond tandwortels en in het sinusslijmvlies onthullen die op standaard medische CT of vlakke röntgenfoto’s gemist worden. In deze studie verzamelden onderzoekers 70 CBCT-scans uit twee endodontische klinieken en selecteerden zorgvuldig meer dan 5.000 tweedimensionale doorsneden vanuit drie aanzichten: van boven (axiaal), van voren (coronaal) en zijaanzicht (sagittaal). Deskundige tandartsen en een mondradioloog beoordeelden elke scan en kwamen overeen welke beelden een normale sinus toonden, welke sinusitis lieten zien gekoppeld aan een aangedane tandwortel, en welke sinusitis door andere, niet-tandheelkundige oorzaken werden veroorzaakt.

De computer leren de beelden te lezen

Voordat ze hun deep learning-systeem trainden, reinigde en verbeterde het team de beelden. Ze standaardiseerden de afbeeldingsgrootte, verminderden ruis en metaalstrepen en verscherpten randen zodat belangrijke structuren beter opvielen. Ze gebruikten ook een type generatief model om extra hoogwaardige trainingsbeelden te maken, waardoor de dataset rijker en gevarieerder werd. De computergestuurde pijplijn doorliep vervolgens meerdere stappen. Eerst leerde het herkennen vanuit elke slice welk aanzicht te zien was. Daarna leerde een segmentatiestap drie sleutelregio’s af te bakenen: tandwortels, de sinuuskamer en het dunne mucosale slijmvlies. Ten slotte onderzochten gespecialiseerde netwerken elk aanzicht om ziektesignalen te extraheren, en een "multi view"-model combineerde informatie uit alle drie de hoeken om te beslissen of de sinus normaal was, werd beïnvloed door een wortelprobleem, of door andere sinusaandoeningen.

Hoe goed het systeem presteerde

De onderzoekers testten hun modellen op achtergehouden beelden en op een volledig aparte set van 738 CBCT-doorsneden van nieuwe patiënten. De view-classifier verwarde de drie scanhoeken vrijwel nooit. De segmentatiestap gaf contouren van wortels, sinusruimte en slijmvlies met hoge overlap vergeleken met de markeringen van experts in alle drie de aanzichten. Elke classifier op één aanzicht behaalde al een hoge nauwkeurigheid, maar het multi view-netwerk dat alle drie de perspectieven samensmolt presteerde het best. Zowel op de test- als op de externe datasets labelde het elke casus correct binnen de drie groepen, overeenkomend met het gecombineerde oordeel van de expertpanel. De auteurs namen verschillende maatregelen om overfitting te voorkomen, waaronder patiëntgewijze splitsing van data, zorgvuldige augmentatie en regularisatietechnieken, om het systeem beter te laten generaliseren buiten de studiepopulatie.

Wat dit voor patiënten zou kunnen betekenen

Voor clinici kan deze geautomatiseerde pijplijn dienen als een onvermoeibare tweede lezer die wortelgerelateerde sinusziekte benadrukt, de vorm van de sinus in kaart brengt en laat zien hoe dicht geïnfecteerde wortels bij de sinusvloer liggen. Dergelijke ondersteuning kan helpen bij het plannen van wortelkanaalbehandelingen, het beslissen over het beheer van aanhoudende sinussymptomen en het begeleiden van implantaat- of sinusliftoperaties. Hoewel de huidige studie werkt met 2D-doorsneden uit een beperkt gezichtsveld en nog bredere tests in meer klinieken en op verschillende scanners vereist, vormt het een stevige basis voor toekomstige instrumenten die volledige 3D-scans analyseren. Simpel gezegd laat het werk zien dat een zorgvuldig gebouwd AI-systeem betrouwbaar kan aantonen wanneer sinusklachten verband houden met tandwortels, en zo een duidelijker pad biedt van vaag gezichtsdruk naar de werkelijke oorzaak van de klachten.

Bronvermelding: 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

Trefwoorden: maxillaire sinusitis, odontogene sinusitis, cone beam CT, deep learning, tandheelkundige beeldvorming