KUNSTMATIGE INTELLIGENTIE VOOR DE SEGMENTATIE VAN MIDDENFACIALE STRUCTUREN OP COMPUTERTOMOGRAFISCHE KEGELBUNDELBEELDEN

De eerste en meest essentiële stap in de digitale workflow van de meeste digitale tandheelkundige workflows staat bekend als segmentatie, waarbij 3D-modellen van de dentomaxillofaciale structuren worden gegenereerd. Handmatige segmentatie is geen haalbare taak in de dagelijkse klinische praktijk omdat het een tijdrovende taak is en veel ervaring van de operator vereist. De huidige algemeen toegepaste methodologieën voor segmentatie zijn ofwel drempel - of template-gebaseerd en semi-automatisch van aard. Deze technieken hebben bepaalde beperkingen, zoals het ontbreken van dunne botstructuur, variabiliteit van de waarnemer en de noodzaak van handmatige verfijning. 
Bovendien zijn de momenteel beschikbare dentomaxillofaciale segmentatiesoftwareprogramma's geoptimaliseerd op basis van computertomografie (CT) gegevens, die niet kunnen worden toegepast op cone-beam computertomografie (CBCT) scans als gevolg van de aanwezigheid van niet-gekalibreerde absolute Hounsfield eenheden (HU), beam hardening artefacten, ruis, en een lage-contrast resolutie. CBCT beeldvorming is echter op grote schaal gebruikt op het gebied van orale en maxillofaciale radiologie voor de visualisatie van orofaciale structuren, pre-operatieve planning en follow-up beoordeling gezien de lage kosten, relatief lagere dosis, en een grotere toegankelijkheid.
Het midfaciale complex neemt een unieke plaats in in het werkproces van orthognathische en reconstructieve chirurgie, en orthodontie, voor het stellen van een nauwkeurige diagnose, patiëntspecifieke planning van de behandeling en follow-up beoordeling. Het is een van de moeilijkste anatomische gebieden om te segmenteren met conventionele benaderingen. De sinus maxillaris is de grootste van de vier paranasale sinussen, ligt in het lichaam van de maxilla en wordt omgeven door de botten van het midfaciale complex. Een nauwkeurige 3D segmentatie van de sinus is cruciaal voor meerdere diagnostische en behandelingstoepassingen, waar evaluatie van sinusveranderingen, remodellering bij follow-up, volumetrische analyse of creatie van 3D virtuele modellen vereist is. Bovendien zijn de meest relevante chirurgische procedures die een sinus beoordeling vereisen, zijn onder meer het plaatsen van implantaten, sinusaugmentatie en orthognathische chirurgie.
Gezien de beperkingen van de conventionele segmentatie methoden, recente toepassing van diepe convolutionele neurale netwerken (CNNs) de voorheen beschikbare algoritmen voor het modelleren van de dentomaxillofaciale regio overtroffen. Deze CNN's zijn met succes toegepast met veelbelovende resultaten voor de CBCT-gebaseerde geautomatiseerde segmentatie van de tanden, faryngeale luchtwegruimte en onderkaak. Er bestaat echter een gebrek aan bewijs met betrekking tot de CNN-gebaseerde geautomatiseerde segmentatie van de midfaciale structuren (bot en lucht componenten).