Article original

Segmentation IA des CBCT : architectures, métriques et performances

AI-based CBCT segmentation: architectures, metrics and performances

¹ SQODF ( Pont-à-Mousson )
² SQODF, MCU PH ( Paris )
³ SQODF, PU PH ( Marseille )

^* Adresse pour correspondance : Cette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer le JavaScript pour la visualiser.

Reçu : 30 Avril 2026
Accepté : 2 Juin 2026

Résumé

La segmentation automatisée des imageries CBCT par intelligence artificielle (IA) constitue une avancée majeure en odontologie numérique. Les algorithmes d’apprentissage profond (Deep Learning) notamment les architectures dérivées du U-Net, permettent désormais d’extraire automatiquement des modèles tridimensionnels au format STL (Standard Tessellation Language) des structures dento-maxillo-faciales. Ce premier article d’une série de deux synthétise les architectures utilisées, les métriques d’évaluation et les performances actuelles de ces systèmes.

Le modèle STL dérivé d’une segmentation automatique ne constitue pas un équivalent anatomique exact. Les méta-analyses récentes rapportent des coefficients de Dice élevés pour les dents et les grandes structures osseuses, mais les résultats restent plus hétérogènes pour les structures fines et tubulaires, notamment le canal mandibulaire (DSC similarité ≈ 69 %). L’interprétation clinique impose donc d’associer le DSC à des métriques de surface et à une validation anatomique sur les coupes DICOM natives.

Abstract

Automated segmentation of CBCT images using artificial intelligence (AI) represents a major advancement in digital dentistry. Deep learning algorithms, particularly architectures derived from U-Net, now allow for the automatic extraction of three-dimensional models in STL (Standard Tessellation Language) format of dento-maxillofacial structures. This first article in a two-part series summarizes the architectures used, evaluation metrics, and current performance of these systems.

The STL model derived from automatic segmentation is not an exact anatomical equivalent. Recent meta-analyses report high Dice coefficients for teeth and large bone structures, but the results remain more heterogeneous for fine and tubular structures, particularly the mandibular canal (DSC≈ 69%). Clinical interpretation therefore requires combining the DSC with surface metrics and anatomical validation on native DICOM slices.