Detektion av maxillarsinuit av endodontiskt ursprung i cone-beam CT-bilder med djupa inlärningsalgoritmer

När tandproblem når bihålorna

Återkommande täppt näsa eller tryck i ansiktet skylls ofta på allergi eller förkylning, men en förvånansvärt stor andel bihålebesvär börjar faktiskt i infekterade bakre tänder. Denna studie undersöker hur artificiell intelligens kan läsa 3D-dentalröntgen för att upptäcka när sinuit är kopplad till infektion i tandrötter, vilket hjälper tandläkare och läkare att snabbare och säkrare identifiera rätt orsak.

Varför bihåleproblem och tänder hör ihop

Maxillarsinuserna ligger precis ovanför de övre bakre tänderna och skiljs åt endast av ett tunt lager ben. När mjukvävnaden i dessa bihålor blir inflammerad eller förtjockad kan personer få kronisk trängsel, smärta eller en känsla av fyllnad i kinden. I många fall irriterar en tandinfektion vid tandrotsspetsen den närliggande slemhinnan i bihålan, men symtomen kan kännas som vanlig bihålebesvär och tanden kan verka tyst. Det gör det svårt, även för erfarna kliniker, att avgöra om sinuiten drivs av tandssjukdom, av andra bihåleorsaker eller om bihålan faktiskt är normal.

Hur 3D-dentalröntgen ger en klarare bild

Cone beam-datortomografi, eller CBCT, är en dental 3D-skanning som visar både ben och mjukvävnad i fin detalj vid en relativt låg stråldos. Den kan avslöja subtila förändringar runt tandrötter och i bihålans slemhinna som missas på vanlig medicinsk CT eller platta röntgenbilder. I denna studie samlade forskarna 70 CBCT-skanningar från två endodontikliniker och valde noggrant ut över 5 000 tvådimensionella skivor från tre visningsvinklar: uppifrån (axial), framifrån (koronal) och i sidled (sagittal). Expert tandläkare och en oralt radiolog granskade varje skanning och var överens om vilka bilder som visade en normal bihåla, vilka som visade sinuit kopplad till en sjuk tandrot och vilka som visade sinuit från andra, icke-dentala orsaker.

Att lära datorn att läsa bilderna

Innan de tränade sitt djupa inlärningssystem rengjorde och förbättrade teamet bilderna. De standardiserade bildstorlek, reducerade brus och metallartifakter samt skärpte kanter så att viktiga strukturer framträdde tydligare. De använde också en typ av generativ modell för att skapa extra högkvalitativa träningsbilder och göra datasetet rikare och mer varierat. Datorsystemet följde sedan flera steg. Först lärde det sig att känna igen vilken visningsvinkel varje skiva visade. Därefter lärde en segmenteringsfas att avgränsa tre nyckelregioner: tandrötter, bihålerum och den tunna slemhinnan. Slutligen undersökte specialiserade nätverk varje vy för att extrahera mönster relaterade till sjukdom, och en "multi view"-modell kombinerade information från alla tre vinklar för att avgöra om bihålan var normal, påverkad av ett tandrotproblem eller påverkad av annan bihålesjukdom.

Hur väl systemet presterade

Forskarna testade sina modeller på sparade bilder och på en helt separat uppsättning om 738 CBCT-skivor från nya patienter. Vykitsklassificeraren förväxlade nästan aldrig de tre skanningsvinklarna. Segmenteringssteget avgränsade rötter, bihålerum och slemhinna med hög överlappning jämfört med expertmarkeringarna i alla tre vyerna. Varje enskild vyklassificerare nådde redan hög noggrannhet, men multi view-nätverket som smälte samman alla tre perspektiv presterade bäst av alla. På både test- och externa dataset markerade det korrekt varje fall i de tre grupperna och överensstämde med expertpanelens samlade bedömning. Författarna vidtog flera åtgärder för att undvika överanpassning, inklusive patientbaserad uppdelning av data, noggrann augmentation och regulariseringstekniker, för att öka systemets sannolikhet att generalisera utanför studieurvalet.

Vad detta kan betyda för patienterna

För kliniker kan denna automatiserade pipeline fungera som en outtröttlig andraläsare som lyfter fram rotrelaterad bihålesjukdom, kartlägger bihålans form och visar hur nära infekterade rötter ligger bihålegolvet. Ett sådant stöd kan hjälpa till att planera rotkanalsbehandling, avgöra hur ihållande bihålesymtom ska hanteras och vägleda implantat- eller sinuslyftkirurgi. Även om den aktuella studien arbetar med 2D-skivor från ett begränsat synfält och fortfarande behöver bredare testning i fler kliniker och skannrar, lägger den en stabil grund för framtida verktyg som analyserar hela 3D-skanningar. Enkelt uttryckt visar arbetet att en omsorgsfullt byggd AI kan upptäcka när bihåleproblem är kopplade till tandrötter på ett tillförlitligt sätt, vilket ger en tydligare väg från diffus ansiktstryck till den verkliga orsaken till besväret.

Citering: 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

Nyckelord: maxillarsinuit, odontogen sinuit, cone beam CT, djupinlärning, dental bilddiagnostik