PMCanalSeg: набор данных для автоматической сегментации крылонебного и нижнечелюстного каналов в 3D CBCT‑изображениях

Почему скрытые каналы в челюсти важны

Когда хирурги корректируют деформации челюсти, чтобы улучшить прикус или внешний вид лица, они работают в миллиметрах от тонких нервов и сосудов, скрытых внутри кости. Если эти крошечные каналы повредить, у пациента могут возникнуть кровотечение, онемение или длительная боль. В этой статье описывается PMCanalSeg — недавно опубликованная коллекция 3D‑стоматологических сканов, предназначенная помочь компьютерам научиться обнаруживать два особенно важных костных канала в верхней и нижней челюсти, делая такие операции безопаснее и точнее.

Тонкие туннели внутри лица

Внутри костей лица проходят узкие проходы, в которых располагаются нервы и сосуды. Два из наиболее критичных для челюстной хирургии — это нижнечелюстной канал, по которому проходит главный нерв нижней челюсти, и крылонебный канал, более маленький и сложный туннель в верхней челюсти. Во время ортогнатической (корректирующей челюсть) операции врачи разрезают и перемещают кость, стараясь не повредить эти структуры. Традиционно хирурги или радиологи вручную размечают каналы послойно на сканах конусно‑лучевой КТ (CBCT), 3D‑методе рентгеновского исследования, широко используемом в стоматологии. Эта тщательная ручная работа медленна, требует глубоких знаний и подвержена человеческой ошибке.

Обучение компьютеров видеть в 3D

В последние годы глубокое обучение преобразило анализ медицинских изображений, позволив компьютерам автоматически выделять органы и другие структуры. Однако такие системы нуждаются во множестве высококачественных, экспертно размеченных примеров, чтобы достичь клинической надежности. Для нижнечелюстного канала существует лишь несколько публичных наборов данных, и они в основном сосредоточены на нижней челюсти. Существенным пробелом был крылонебный канал в верхней челюсти, который труднее визуализировать и который значительно варьирует у разных людей. Без богатых открытых наборов данных, охватывающих оба канала, трудно обучить устойчивые алгоритмы или справедливо сравнить разные методы.

Создание коллекции PMCanalSeg

Авторы восполняют этот пробел, собрав PMCanalSeg — курированную коллекцию CBCT‑сканов 191 пациента, лечившегося в стоматологической больнице в Китае. Все личные идентификаторы были удалены в соответствии со строгими правилами конфиденциальности, оставлены только необходимые данные, такие как возраст, пол и дата сканирования. Каждый скан был преобразован из исходного больничного формата в исследовательский 3D‑файл и обработан для усиления контраста кости и удаления несвязанных структур, таких как позвоночник. Череп затем цифровым образом разделили на области верхней и нижней челюсти, чтобы алгоритмы могли сосредоточиться на зонах, где проходят оба канала.

Экспертная разметка и тщательная проверка

Для точной разметки каналов четыре опытных челюстно‑лицевых хирурга работали поэтапно. Два специалиста сначала размечали ход крылонебного и нижнечелюстного каналов на каждом 3D‑скане, определяя, какие крошечные 3D‑пиксели принадлежат каждому туннелю. Затем двое дополнительных хирургов послойно проверяли эти разметки по отношению к исходным изображениям и исправляли несоответствия. На выборке случаев команда измерила степень согласия между экспертами и обнаружила очень высокую согласованность, что свидетельствует о надежности меток. Финальный набор данных аккуратно организован по пациентам, с отдельными папками для верхней челюсти, нижней челюсти и объёмов всего черепа, что облегчает его использование исследователями.

Насколько хорошо машины учатся на этих данных?

Чтобы протестировать PMCanalSeg, авторы обучили несколько ведущих 3D‑сетей для сегментации изображений и оценили, насколько их предсказания соответствуют экспертным меткам. Для нижнечелюстного канала особенно хорошо показали себя современные модели на основе трансформеров, точно повторяя путь нерва. Крылонебный канал оказался более сложной задачей: его маленький размер, сложная форма и плотная анатомия верхней челюсти привели к более низкой точности и большим погрешностям по границам. Команда также сравнила результаты на PMCanalSeg с другим широко используемым набором данных для нижней челюсти и обсудила, как различия в качестве сканов, стиле разметки и охвате анатомии могут влиять на заявленные показатели.

Что это значит для пациентов и науки

Для неспециалистов ключевая мысль в том, что PMCanalSeg предлагает первую открытую коллекцию 3D‑изображений челюсти с подробной разметкой как для крупного нижнечелюстного канала, так и для ранее игнорировавшегося крылонебного канала верхней челюсти. Предоставляя эти данные и сопутствующий код бесплатно для некоммерческого использования, авторы создают прочную основу для разработки и бенчмаркинга компьютерных инструментов, которые автоматически выделяют эти скрытые пути перед операцией. По мере улучшения таких инструментов хирурги смогут лучше планировать разрезы, избегая критических нервов и сосудов, что сократит количество осложнений и поможет пациентам перенести челюстную операцию более безопасно и предсказуемо.

Цитирование: 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

Ключевые слова: конусно‑лучевая КТ, челюстная хирургия, сегментация медицинских изображений, стоматологическая визуализация, набор данных для глубокого обучения