Article original

Segmentation IA des CBCT : erreurs STL et implications cliniques

AI-based CBCT segmentation: STL errors and clinical implications

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

Malgré des performances de segmentation élevées, les modèles STL générés par intelligence artificielle (IA) à partir d’imageries CBCT peuvent présenter des erreurs de contours avec un impact clinique significatif. Ce second article d’une série de deux, analyse les principales sources d’erreurs des fichiers STL (artéfacts métalliques, faible contraste, résolution du voxel, conversion voxel-maillage, fusion CBCT-IOS). Il s’agit d’une revue narrative ; les solutions commerciales et open source listées ne constituent pas un comparatif exhaustif ni une recommandation commerciale et présente un cas clinique illustrant la variabilité inter-algorithmes et la nécessité d’une validation par des experts. Le message central est clair : un STL issu d’IA doit être considéré comme un modèle opératoire à valider, non comme une vérité anatomique définitive.

Abstract

Despite high segmentation performance, AI-generated STL models from CBCT images can exhibit contour errors with significant clinical impact. This second article in a two-part series analyzes the main sources of errors in STL files (metallic artifacts, low contrast, voxel resolution, voxel-tomesh conversion, CBCT-IOS fusion). It is a narrative review, and the commercial and open-source solutions listed do not constitute an exhaustive comparison or a commercial recommendation. It presents a clinical case illustrating inter-algorithm variability and the need for expert validation. The central message is clear: an AI-generated STL should be considered a working model to be validated, not a definitive anatomical truth.