PMCanalSeg: En datamängd för automatisk segmentering av pterygopalatinska och mandibulära kanaler från 3D CBCT‑bilder

Varför dolda gångar i käken spelar roll

När kirurger korrigerar käkdeformiteter för att förbättra en persons bett eller ansiktsutseende arbetar de millimeter från känsliga nerver och blodkärl som ligger gömda i benet. Om dessa små kanaler skadas kan patienterna drabbas av blödning, domningar eller långvarig smärta. Denna artikel beskriver PMCanalSeg, en nyligen publicerad samling 3D‑tandbilder avsedd att hjälpa datorer lära sig att upptäcka två särskilt viktiga benkanaler i över- och underkäken, vilket kan göra dessa operationer säkrare och mer precisa.

Ömtåliga tunnlar inuti ansiktet

I våra ansiktsben löper smala passager som skyddar nerver och kärl. Två av de viktigaste för käkkirurgi är mandibularkanalen, som innehåller huvudnerven i underkäken, och pterygopalatinkanalen, en mindre och mer komplex tunnel i överkäken. Under ortognatisk (käkkorrigerande) kirurgi måste läkare skära och omplacera ben samtidigt som de undviker dessa strukturer. Traditionellt följer kirurger eller radiologer kanalerna skiva för skiva på cone beam CT (CBCT)‑skanningar, en 3D‑röntgenteknik som används i stor utsträckning inom tandvården. Det här noggranna manuella arbetet är långsamt, kräver djup expertis och är utsatt för mänskliga fel.

Att lära datorer att se i 3D

Under de senaste åren har djupinlärning omvandlat medicinsk bildanalys och gjort det möjligt för datorer att automatiskt lära sig att avgränsa organ och andra strukturer. Dessa system behöver dock många högkvalitativa, expertmärkta exempel för att nå klinisk tillförlitlighet. För mandibularkanaler finns bara ett fåtal offentliga dataset och de fokuserar främst på underkäken. Ett stort blint område har varit pterygopalatinkanalen i överkäken, som är svårare att se och mer variabel mellan individer. Utan rika, öppna dataset som täcker båda kanalerna är det svårt att träna robusta algoritmer eller rättvist jämföra olika metoder.

Att bygga PMCanalSeg‑samlingen

Författarna tar itu med denna brist genom att sammanställa PMCanalSeg, en kurerad uppsättning CBCT‑skanningar från 191 patienter som behandlats på ett tandvårdssjukhus i Kina. Alla personliga identifierare togs bort enligt strikta sekretessregler, och endast nödvändiga uppgifter som ålder, kön och skanningsdatum behölls. Varje skanning konverterades från sjukhusets ursprungliga format till en forskarvänlig 3D‑fil och bearbetades för att framhäva ben och ta bort orelaterade strukturer som ryggraden. Skallen delades sedan digitalt upp i över- och underkäksregioner så att algoritmer kan fokusera på de områden där de två kanalerna löper.

Expertspårning och noggrann granskning

För att markera kanalerna exakt arbetade fyra erfarna käkkirurger i etapper. Två specialister spårade först förloppet för pterygopalatina och mandibulära kanaler i varje 3D‑skanning och definierade vilka små 3D‑pixlar som tillhörde respektive tunnel. Två ytterligare kirurger kontrollerade sedan dessa markeringar skiva för skiva mot originalbilderna och korrigerade eventuella avvikelser. För ett urval av fall mätte teamet hur nära olika experter överensstämde och fann mycket hög konsekvens, vilket indikerar att etiketterna är tillförlitliga. Den slutliga datamängden är prydligt organiserad per patient, med separata mappar för överkäke, underkäke och helskallvolymer, vilket gör den enkel för forskare att använda.

Hur bra lär sig maskiner av den?

För att testa PMCanalSeg tränade författarna flera ledande 3D‑bildsegmenteringsnätverk och utvärderade hur nära deras prediktioner matchade experternas etiketter. För mandibularkanalen presterade moderna transformer‑baserade modeller särskilt väl och följde nära den verkliga nervens bana. Pterygopalatinkanalen visade sig vara mer utmanande: dess lilla storlek, komplexa form och den trängre anatomin i överkäken ledde till lägre noggrannhet och fler kantfel. Teamet jämförde också resultat på PMCanalSeg med ett annat allmänt använt dataset för underkäken och diskuterade hur skillnader i skanningskvalitet, etiketteringsstil och anatomisk täckning kan påverka rapporterad prestanda.

Vad detta betyder för patienter och forskning

För icke‑specialister är huvudbudskapet att PMCanalSeg erbjuder den första öppna samlingen av 3D‑käkbilder med detaljerade markeringar för både en större underkäksnervkanal och en tidigare försummad överkäkskanal. Genom att göra dessa data och stödjande kod fritt tillgängliga för icke‑kommersiellt bruk ger författarna en stark grund för att utveckla och benchmarka datorverktyg som automatiskt kan belysa dessa dolda gångar inför operation. När dessa verktyg förbättras kommer kirurger att kunna planera snitt som undviker kritiska nerver och kärl bättre, minska komplikationer och hjälpa patienter att få säkrare, mer förutsägbara resultat efter käkkirurgi.

Citering: 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

Nyckelord: cone beam CT, käkkirurgi, medicinsk bildsegmentering, tandvårdsavbildning, dataset för djupinlärning