Les algorithmes d’apprentissage en profondeur évoluent et sont de plus en plus appliqués dans différents domaines médicaux, principalement pour détecter et segmenter les structures anatomiques cliniquement pertinentes ou les modifications pathologiques, telles que le cancer17, la tuberculose18 ou les lésions cutanées19. Cependant, l’apprentissage en profondeur en chirurgie buccale et maxillo-faciale et en dentisterie est relativement rare. Seule l’utilisation préliminaire de l’apprentissage en profondeur dans différents domaines, tels que la détection des caries ou l’analyse automatique par radiographie dentaire, a été décrite20.

L’apprentissage en profondeur est constitué de réseaux de neurones convolutionnels appliqués avec succès pour analyser l’imagerie visuelle. Les réseaux CNN sont capables de détecter et de segmenter certains modèles dans un ensemble de données volumineux, tel qu’une radiographie 2D ou un scanner 3D. CNN peut identifier un groupe de pixels ou de voxels constituant le contour ou l’intérieur d’objets intéressants. En modifiant certaines caractéristiques de l’architecture CNN, la méthode de segmentation automatique peut être ajustée pour détecter certains modèles de voxels dans un volume d’intérêt15.

L’une des segmentations CNN les plus citées appliquées dans le domaine médical est le «réseau U-Net». U-net a une architecture simple et claire et vise en particulier à segmenter les structures des tissus osseux et mous. Par rapport aux autres réseaux CNN, la précision de la segmentation U-net est nettement meilleure21. Ronneberger a appliqué U-net pour segmenter l’émail, la dentine et la pulpe sur des radiographies dentaires (morsures) et a obtenu un coefficient moyen de dés de 0,5621. Dans certains cas, un coefficient de dés de 0,70 a été obtenu, indiquant le potentiel d’améliorations supplémentaires de l’architecture U-net.

La présente étude étudie le potentiel d’application du réseau U-Net dans la segmentation automatisée des troisièmes molaires et du réseau IAN. En modifiant l’architecture de U-net et en améliorant l’apprentissage de la segmentation par U-net, des résultats encourageants ont été obtenus à la fois pour l’identification et la segmentation des troisièmes molaires et de l’IAN. Cependant, dans certains cas, U-net était incapable de localiser et de segmenter de manière satisfaisante les deux structures anatomiques prédéterminées. Plusieurs facteurs sont associés à la sous-performance. Premièrement, le manque de contraste sur les OPG entre la mandibule et le canal mandibulaire a compliqué la tâche de segmentation à la fois pour l’observateur et le CNN. Les OPG n’ont pas une intensité d’image constante dans la région des canaux mandibulaires. Deuxièmement, la forme et l’emplacement du canal mandibulaire varient considérablement d’un patient à l’autre17. Troisièmement, puisqu’un seul observateur de segmentation et un seul observateur de correction segmentent les OPG une seule fois, il est possible qu’un certain degré de variabilité interobservateur et interobservateur puisse se produire, entraînant un coefficient DICE potentiellement inférieur. Les OPG ont été initialement réduits et rognés à une résolution inférieure à celle de l’OPG natif, ce qui a entraîné une perte de données pouvant s’avérer utile pour la segmentation. En raison du coefficient DICE élevé pour la denture globale et les M3, ainsi que de l’utilisation de la résolution quasi native pour le réseau IAN avec une valeur DICE inférieure, il semble que la résolution ne soit pas un problème grave pour la performance de la segmentation. Au cas où les OPG seraient analysés en détail, il est possible de faire appel à des PC plus puissants ou d’utiliser la stratégie de chevauchement des titres telle qu’elle était utilisée à l’origine pour les réseaux U21.

Il existe plusieurs approches pour améliorer la segmentation des troisièmes molaires et du IAN en particulier. La première méthode pour contrecarrer la variété de formes et de limites sur les images natives consiste à minimiser la région d’intérêt. Il n’est pas nécessaire que le CNN segmente l’ensemble du canal mandibulaire. Le seul domaine essentiel pour l’évaluation des risques est la région de la troisième molaire et ses racines. La deuxième suggestion consiste à augmenter le jeu de données d’apprentissage avec les OPG annotés. Bien que l’augmentation appliquée par rotation ait abouti à une segmentation très performante en cas de troisième molaire, la précision de l’IAN restait inférieure. L’augmentation des OPG annotés pourrait conduire à une meilleure performance globale21. Troisièmement, l’utilisation du format de fichier DICOM pour les OPG peut améliorer les segmentations. Dans cette étude, les fichiers OPG ont été exportés à partir des fichiers de patients électroniques lors des exportations de fichiers JPEG, générant 256 valeurs d’échelle de gris avec 8 bits par canal. Une autre alternative à ce format de fichier est DICOM, qui peut contenir de manière native une plage beaucoup plus large de valeurs en niveaux de gris. L’utilisation de ces fichiers DICOM natifs peut entraîner un contraste plus élevé, ce qui rend le réseau IAN mieux segmenter manuellement et automatiquement. Une autre approche pour une segmentation améliorée du réseau IAN pourrait être l’utilisation de balayages par tomodensitométrie à faisceau conique (CBCT) au lieu d’OPG. Parmi d’autres techniques de segmentation, les réseaux en U peuvent également être appliqués à des formes volumétriques 3D telles que les balayages CBCT22. Le CNN utilisé dans cette étude est spécialisé dans la segmentation basée sur la forme. Pourtant, cette CNN a une autre caractéristique bénéfique de prendre en compte la topographie. Le point problématique de forme et de limite pourrait également être résolu lorsque des ensembles de données 3D sont fournis, car le nerf apparaît sous la forme d’une section transversale circulaire dans un balayage CBCT. Il est possible que les réseaux U 3D offrent nativement une bonne segmentation dans les balayages CBCT ou qu’ils produisent les mêmes propriétés de forme et de topologie lorsqu’ils sont utilisés avec des entrées doubles. De cette manière, la relation de position anatomique entre IAN et M3 pourrait être évaluée. Le principal inconvénient d’une telle approche est l’exposition plus élevée du patient aux radiations.

Il convient de noter qu’il existe d’autres techniques de segmentation pour effectuer des segmentations similaires, telles que la segmentation par bassin versant23, la segmentation à base aléatoire24 ou les modèles locaux contraints par vote de régression aléatoire de forêt25, introduits auparavant comme algorithmes de segmentation pour les OPG26,27,28. Étant donné que cette étude est davantage axée sur l’observation, des études comparatives sont nécessaires à l’avenir afin de déterminer la qualité des différentes méthodes de segmentation, en particulier la segmentation sémantique29,30, avant la mise en œuvre clinique.

Les résultats encourageants tirés de la présente étude sur la segmentation des troisièmes molaires et du réseau IAN ont été la première étape sur la voie d’une mise en œuvre réussie de l’apprentissage en profondeur dans la pratique clinique quotidienne. L’emplacement exact et la forme des troisièmes racines molaires par rapport au canal mandibulaire doivent être déterminés avec précision et de manière reproductible. Les schémas de risque doivent également être identifiés. Les risques individuels doivent être attribués à chaque facteur et la CNN doit pouvoir résumer tous les facteurs de risque et les risques associés pour donner un risque final. Néanmoins, l’apprentissage en profondeur pourrait non seulement fournir aux professionnels des informations supplémentaires pour optimiser la planification du traitement et l’identification des risques, mais aussi améliorer automatiquement les radiographies dentaires en éliminant les artefacts inutiles. Le plus grand avantage de l’apprentissage en profondeur réside dans l’amélioration du diagnostic sans modifier l’infrastructure actuelle et le large éventail d’applications. Par exemple, la mise en œuvre d’un apprentissage en profondeur dans la gestion des caries pourrait améliorer la détection précoce des caries et optimiser le moment de l’intervention, réduisant ainsi le fardeau de plus en plus lourd de la santé mondiale induit par les caries dentaires.