PMCanalSeg: 3B CBCT görüntülerinden pterigopalatine ve mandibular kanalların otomatik segmentasyonu için bir veri seti

Çenedeki Gizli Yollar Neden Önemli

Cerrahlar bir kişinin ısırışını veya yüz görünümünü düzeltmek için çene deformasyonlarını giderirken, kemik içinde gizlenmiş hassas sinirler ve kan damarlarına milimetrelerle yakın çalışırlar. Bu küçük kanallar zarar görürse hastalar kanama, uyuşma veya uzun süreli ağrı yaşayabilir. Bu makale, bilgisayarların üst ve alt çenedeki iki özellikle önemli kemik kanalını tespit etmeyi öğrenmesine yardımcı olmak için tasarlanmış yeni yayımlanan 3B diş taraması koleksiyonu PMCanalSeg’i tanımlar; böylece bu operasyonlar daha güvenli ve daha hassas hale gelir.

Yüz İçindeki Hassas Tüneller

Yüz kemiklerimizin içinde sinirleri ve damarları koruyan dar geçitler bulunur. Çene cerrahisi için en kritik olanlardan ikisi, alt çenedeki ana siniri taşıyan mandibular kanal ve üst çenedeki daha küçük, daha karmaşık yapıdaki pterigopalatine kanaldır. Ortognatik (çene düzeltme) cerrahide doktorlar kemikleri kesip yeniden konumlandırırken bu yapılardan uzak durmak zorundadır. Geleneksel olarak cerrahlar veya radyologlar konik ışınlı BT (CBCT) taramalarında kanalları dilim dilim takip ederler; diş hekimliğinde yaygın kullanılan 3B bir röntgen yöntemi olan bu işlem dikkatli elle yapıldığında yavaş, derin uzmanlık gerektiren ve insana bağlı hatalara açık bir iştir.

Bilgisayarlara 3B Görmeyi Öğretmek

Son yıllarda derin öğrenme, tıbbi görüntü analizini dönüştürdü ve bilgisayarların organları ve diğer yapıları otomatik olarak çevrelemeyi öğrenmesine olanak sağladı. Ancak bu sistemlerin klinik güvenilirliğe ulaşması için çok sayıda yüksek kaliteli, uzman tarafından etiketlenmiş örneğe ihtiyaçları vardır. Mandibular kanallar için yalnızca birkaç genel veri seti mevcuttur ve bunlar ağırlıklı olarak alt çeneye odaklanır. Üst çenedeki, görmekte daha zor ve kişiden kişiye daha değişken olan pterigopalatine kanal büyük bir kör nokta oluşturuyordu. Her iki kanalı da kapsayan zengin, açık veri kümeleri olmadan sağlam algoritmalar eğitmek veya farklı yöntemleri adil şekilde karşılaştırmak zordur.

PMCanalSeg Koleksiyonunun Oluşturulması

Yazarlar bu boşluğu doldurmak için PMCanalSeg’i derledi; veri seti Çin’de bir diş hastanesinde tedavi gören 191 hastanın CBCT taramalarından oluşan küratörlü bir diziyi içerir. Tüm kişisel bilgiler katı gizlilik kuralları altında kaldırıldı ve yalnızca yaş, cinsiyet ve tarama tarihi gibi zorunlu bilgiler tutuldu. Her tarama hastanenin orijinal formatından araştırmaya uygun 3B dosya formatına dönüştürüldü ve kemiği vurgulamak, omurga gibi ilgisiz yapıları kaldırmak için işlendi. Ardından algoritmaların iki kanalın geçtiği bölgelere odaklanabilmesi için kafatası dijital olarak üst ve alt çene bölgelerine ayrıldı.

Uzman İzlemesi ve Titiz Doğrulama

Kanalları doğru şekilde işaretlemek için dört deneyimli ağız cerrahı aşamalı olarak çalıştı. İki uzman ilk olarak her 3B taramada pterigopalatine ve mandibular kanalların izini çizdi ve hangi küçük 3B piksellerin her tünele ait olduğunu tanımladı. Ardından iki ek cerrah bu işaretlemeleri orijinal görüntülere karşı katman katman kontrol ederek tutarsızlıkları düzeltti. Bir örneklem üzerinde ekip, farklı uzmanların ne kadar yakın anlaştığını ölçtü ve çok yüksek tutarlılık buldu; bu da etiketlerin güvenilir olduğunu gösteriyor. Son veri seti hasta bazında düzenli bir şekilde organize edildi; üst çene, alt çene ve tüm kafatası hacimleri için ayrı klasörler bulunuyor, bu da araştırmacıların kullanmasını kolaylaştırıyor.

Bilgisayarlar Bundan Ne Kadar İyi Öğreniyor?

PMCanalSeg’i test etmek için yazarlar birkaç önde gelen 3B görüntü-segmentasyon ağını eğitti ve tahminlerinin uzman etiketleriyle ne kadar örtüştüğünü değerlendirdi. Mandibular kanal için modern dönüştürücü (transformer) tabanlı modeller özellikle iyi performans gösterdi ve gerçek sinir yolunu yakından takip etti. Pterigopalatine kanal daha zorlu çıktı: küçük boyutu, karmaşık şekli ve üst çenenin yoğun anatomisi daha düşük doğruluk ve daha fazla sınır hatasına yol açtı. Ekip ayrıca PMCanalSeg sonuçlarını alt çene için yaygın olarak kullanılan başka bir veri setindeki sonuçlarla karşılaştırdı ve tarama kalitesi, etiketleme stili ve anatomi kapsamı farklarının rapor edilen performansı nasıl etkileyebileceğini tartıştı.

Hastalar ve Araştırma İçin Anlamı

Uzman olmayanlar için temel mesaj şudur: PMCanalSeg, hem büyük bir alt çene sinir kanalına hem de daha önce göz ardı edilen bir üst çene kanalına ilişkin ayrıntılı işaretlemeler içeren ilk açık 3B çene görüntüleri koleksiyonunu sunar. Bu verileri ve destekleyici kodu ticari olmayan kullanım için ücretsiz erişime açarak yazarlar, ameliyat öncesi bu gizli yolları otomatik olarak vurgulayabilecek bilgisayar araçlarının geliştirilmesi ve kıyaslanması için sağlam bir temel sağlıyor. Bu araçlar geliştikçe cerrahlar kritik sinirler ve damarları koruyan kesileri daha iyi planlayabilecek; böylece komplikasyonlar azalacak ve hastalar çene ameliyatından sonra daha güvenli, öngörülebilir sonuçlarla çıkabilecek.

Atıf: 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

Anahtar kelimeler: konik ışınlı BT, çene ameliyatı, tıbbi görüntü segmentasyonu, diş görüntüleme, derin öğrenme veri seti