Alveolar Bone Segmentation Methods in Assessing the Effectiveness of Periodontal Defect Regeneration Through Machine Learning of CBCT Data: A Systematic Review
Methoden zur Segmentierung von Alveolarknochen zur Bewertung der Wirksamkeit der Regeneration parodontaler Defekte durch Machine Learning von CBCT-Daten: systematische Übersichtsarbeit
International Journal of Biomedical Imaging · 2025-01 · 2025 (1)
DOI: 10.1155/ijbi/9065572 ↗Auf einen Blick
Die Übersichtsarbeit beschreibt 23 Studien zu Segmentierungsmethoden in CBCT-Daten des Alveolarknochens. U-Net und andere Deep-Learning-Methoden wurden am häufigsten eingesetzt; der Dice-Index lag bei 76 % bis 98 %.
Fragestellung
Welche Segmentierungsmethoden werden für CBCT-Aufnahmen des Alveolarknochens verwendet und wie effektiv sind sie für die digitale Workflow-Bewertung parodontaler Defektregeneration?
Methode
Systematische Übersichtsarbeit nach PRISMA-ScR; Suche von Mai 2024 bis Juni 2025 in PubMed, Scopus, Web of Science und Medline; Bewertung mit QUADAS-2; Protokoll bei Prospero registriert.
Ergebnisse
Aus 834 Treffern wurden 23 Studien eingeschlossen. Deep Learning, besonders U-Net, war am häufigsten. Vier Studien nutzten semiautomatisierte Methoden, die übrigen manuelle oder andere Verfahren. Dice-Index: 76 % bis 98 %.
Einschränkungen
Die Autoren berichten deutliche Unterschiede zwischen gesunder und defekter Alveolarknochen-Segmentierung und einen Bedarf zur Verbesserung von Deep-Learning-Methoden.
Schlussfolgerung der Autor:innen
Signifikante Unterschiede zwischen der Segmentierung von gesundem und defektem Alveolarknochen unterstreichen laut Autoren die Notwendigkeit besserer Deep-Learning-Methoden.
Kernaussagen
- 23 eingeschlossene Studien zu CBCT-Segmentierung des Alveolarknochens
- U-Net war die am häufigsten verwendete Deep-Learning-Methode
- Dice-Index als Hauptmaß: 76 % bis 98 %
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Übersichtsarbeit in der Zeitschrift International Journal of Biomedical Imaging, online erschienen am 21.12.2025. Verfasst von Mahmud Mohammed und 4 weiteren Autor:innen. Beteiligte Einrichtung: College of Medicine and Dentistry, James Cook University, Cairns, Queensland, Australia, jcu.edu.au. Die Arbeit wurde bisher 2-mal zitiert (Crossref) und nennt 52 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: James Cook University.
Abstract (Originalsprache)
Objectives
To evaluate various segmentation methods used for cone‐beam computed tomography (CBCT) images of alveolar bone, assessing their effectiveness and potential benefits in digital workflows for periodontal defect regeneration. Data This review adheres to the PRISMA‐ScR (Preferred Reporting Items for Systematic Reviews and Meta‐Analyses Extension for Scoping Reviews) Checklist. Source A comprehensive literature search was conducted from May 2024 to June 2025 using MeSH terms on PubMed, Scopus, Web of Science, and Medline databases, with publication date restricted to 5 years. The PRISMA guidelines were followed to ensure a systematic review process, and the review protocol was registered with Prospero. The QUADAS‐2 checklist was used to evaluate the risk of bias in the included studies. Study Selection The initial search yielded 834 articles, which were systematically filtered down to 23 eligible studies. Deep learning methods, particularly U‐Net, were the most frequently employed segmentation techniques. Four studies utilized semi‐automated methods, while the remaining studies relied on manual or other segmentation methods. The Dice similarity (DC) index, ranging from 76% to 98%, was the primary metric used to assess segmentation performance.
Conclusions
Significant differences were observed between the segmentation of healthy and defective alveolar bone, underscoring the need to enhance deep learning–based methods. Accurate segmentation of periodontal defects in DICOM images is a crucial first step in the scaffold workflow, as it enables precise assessment of defect morphology and volume. This information directly informs scaffold design, ensuring that the scaffold geometry is tailored to the patient‐specific defect. Prospero Registration CRD42024590957.
Schlagwörter
Stichwörter der Autor:innen
Autor:innen und Institutionen
- College of Medicine and Dentistry, James Cook University, Cairns, Queensland, Australia, jcu.edu.au.
- Delta Medical College, Dhaka, Bangladesh.
- School of Dentistry, The University of Queensland, Brisbane, Australia, uq.edu.au.
- College of Science and Engineering, James Cook University, Cairns, Queensland, Australia, jcu.edu.au.
ORCID-Profile: Mahmud Mohammed, Tulio Fernandez-Medina, Manjunath Rajashekhar, Stephanie Baker, Ernest Jennings
Förderung
- James Cook University
Zitieren
APA
Mohammed, M., Fernandez-Medina, T., Rajashekhar, M., Baker, S., & Jennings, E. (2025). Alveolar Bone Segmentation Methods in Assessing the Effectiveness of Periodontal Defect Regeneration Through Machine Learning of CBCT Data: A Systematic Review. International Journal of Biomedical Imaging, 2025(1). https://doi.org/10.1155/ijbi/9065572
Vancouver
Mohammed M, Fernandez-Medina T, Rajashekhar M, Baker S, Jennings E. Alveolar Bone Segmentation Methods in Assessing the Effectiveness of Periodontal Defect Regeneration Through Machine Learning of CBCT Data: A Systematic Review. International Journal of Biomedical Imaging. 2025;2025(1). doi:10.1155/ijbi/9065572
BibTeX
@article{Mohammed2025,
author = {Mohammed, Mahmud and Fernandez-Medina, Tulio and Rajashekhar, Manjunath and Baker, Stephanie and Jennings, Ernest},
title = {Alveolar Bone Segmentation Methods in Assessing the Effectiveness of Periodontal Defect Regeneration Through Machine Learning of CBCT Data: A Systematic Review},
journal = {International Journal of Biomedical Imaging},
year = {2025},
volume = {2025},
number = {1},
doi = {10.1155/ijbi/9065572}
}
EUVIMED