Prise en charge des canines incluses à l'ère de l'intelligence artificielle - 14/04/25

[23-492-A-11] - Doi : 10.1016/S1283-0860(25)50579-1

J.-M. Retrouvey ^a,^⁎ , R. Ciarlantini ^b, R. Scott Conley ^c
^a Département de génétique moléculaire, Baylor College of Medicine, Houston, Texas, États-Unis
^b Via Della Resistanza, 10, 62019 Recanati, Italie
^c Department of Orthodontics, Indiana University School of Dentistry, Indianapolis, États-Unis

Auteur correspondant.

Sous presse. Épreuves corrigées par l'auteur. Disponible en ligne depuis le Tuesday 15 April 2025

Résumé

Les canines incluses posent des problèmes orthodontiques complexes dus à leur position et leur patron d'éruption non linéaire. Elles causent souvent des problèmes de résorption radiculaire des dents adjacentes et peuvent entraîner des disharmonies occlusales importantes. L'approche thérapeutique comporte des risques importants et les complications sont fréquentes. L'intelligence artificielle a le potentiel d'optimiser le traitement et le pronostic de succès en individualisant l'approche biomécanique. Le pronostic de succès est grandement amélioré par une meilleure visualisation de la guidance d'éruption des canines grâce à des moyens thérapeutiques assistés par des algorithmes mathématiques.

Mots-clés : Canines incluses, Orthodontie, Intelligence artificielle

Plan

Introduction et perspective historique

Étiologie des canines incluses

Localisation de la canine et méthode(s) d'imagerie conventionnelle

Palpation manuelle ^{[O'Neill J. Maxillary expansion as an interceptive treatment for impacted canines Evid Based Dent 2010 ; 11 (3) : 86-87

, Staley R.N., Reske N.T. Essentials of orthodontics: diagnosis and treatment Hoboken: John Wiley & Sons (2011).

, Vital S.O., Gaucher C., Bardet C., Rowe P., George A., Linglart A., et al. Tooth dentin defects reflect genetic disorders affecting bone mineralization Bone 2012 ; 50 (4) : 989-997

]}

Radiographie bidimensionnelle

Imagerie en 3D (computed tomography [CT] et cone beam computed tomography [CBCT]) ^{[Schneider U., Pedroni E., Lomax A. The calibration of CT Hounsfield units for radiotherapy treatment planning Phys Med Biol 1996 ; 41 (1) : 111

, Shapurian T., Damoulis P.D., Reiser G.M., Griffin T.J., Rand W.M. Quantitative evaluation of bone density using the Hounsfield index Int J Oral Maxillofac Implants 2006 ; 21 (2) :

, Lee C.I., Haims A.H., Monico E.P., Brink J.A., Forman H.P. Diagnostic CT scans: assessment of patient, physician, and radiologist awareness of radiation dose and possible risks Radiology 2004 ; 231 (2) : 393-398

, Boone J.M. True-color radiography. Radiological Society of North America 74th scientific assembly and annual meeting (Abstracts) : (1988).

, Alamri H.M., Sadrameli M., Alshalhoob M.A., Alshehri M. Applications of CBCT in dental practice: a review of the literature Gen Dent 2012 ; 60 (5) : 390-400quiz 1.

, Farman A.G., Scarfe W.C. The basics of maxillofacial cone beam computed tomography. Seminars in orthodontics Amsterdam: Elsevier (2009).

, Timock A.M., Cook V., McDonald T., Leo M.C., Crowe J., Benninger B.L., et al. Accuracy and reliability of buccal bone height and thickness measurements from cone-beam computed tomography imaging Am J Orthod Dentofacial Orthop 2011 ; 140 (5) : 734-744

]}

Visualisation/utilisation des images en 3D ^{[Jung Y., Liang H., Benson B., Flint D., Cho B. The assessment of impacted maxillary canine position with panoramic radiography and cone beam CT Dentomaxillofac Radiol 2012 ; 41 (5) : 356-360

, Botticelli S., Verna C., Cattaneo P.M., Heidmann J., Melsen B. Two- versus three-dimensional imaging in subjects with unerupted maxillary canines Eur J Orthod 2011 ; 33 (4) : 344-349

, Yajima A., Otonari-Yamamoto M., Sano T., Hayakawa Y., Otonari T., Tanabe K., et al. Cone-beam CT (CB Throne®) applied to dentomaxillofacial region Bull Tokyo Dent Coll 2006 ; 47 (3) : 133-141

]}

Aides au diagnostic en 3D

Repositionnement des canines

Segmentation des canines incluses à partir du cone beam CT ^{[Rad A.E., Mohd Rahim M.S., Rehman A., Altameem A., Saba T. Evaluation of current dental radiographs segmentation approaches in computer-aided applications IETE Tech Rev 2013 ; 30 (3) : 210-222

, Wang H., Minnema J., Batenburg K., Forouzanfar T., Hu F., Wu G. Multiclass CBCT Image segmentation for orthodontics with deep learning J Dental Res 2021 ; 00220345211005338.

, Cui Z, Li C, Wang W, editors. ToothNet: automatic tooth instance segmentation and identification from cone beam CT images. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition; 2019.

, Orhan K., Bayrakdar I., Ezhov M., Kravtsov A., Özyürek T. Evaluation of artificial intelligence for detecting periapical pathosis on cone-beam computed tomography scans Int Endodontic J 2020 ; 53 (5) : 680-689

, Yushkevich P.A., Piven J., Hazlett H.C., Smith R.G., Ho S., Gee J.C., et al. User-guided 3D active contour segmentation of anatomical structures: significantly improved efficiency and reliability Neuroimage 2006 ; 31 (3) : 1116-1128

, Ezhov M., Gusarev M., Golitsyna M., Yates J.M., Kushnerev E., Tamimi D., et al. Clinically applicable artificial intelligence system for dental diagnosis with CBCT Scien Rep 2021 ; 11 (1) : 1-16

, Park S.-W., Yoon R.G., Lee H.Lee H.-J., Choi Y.-D., Lee D.-H. Impacts of thresholds of gray value for cone-beam computed tomography 3D reconstruction on the accuracy of image matching with optical scan Int J Environ Res Pub Health 2020 ; 17 (17) : 6375

, De Moraes T.F., Amorim P.H., Azevedo F.S., da Silva J. InVesalius: an open-source imaging application. Computational vision and medical image processing Vipimage 2011 ; 405-408

, Poleti M.L., Fernandes T.M.F., Pagin O., Moretti M.R., Rubira-Bullen I.R.F. Analysis of linear measurements on 3D surface models using CBCT data segmentation obtained by automatic standard pre-set thresholds in two segmentation software programs: an in vitro study Clin Oral Investig 2016 ; 20 (1) : 179-185

, Ji D.X., Ong S.H., Foong K.W.C. A level-set based approach for anterior teeth segmentation in cone beam computed tomography images Comput Biol Med 2014 ; 50 : 116-128

, Chung M., Lee M., Hong J., Park S., Lee J.Lee J., et al. Pose-aware instance segmentation framework from cone beam CT images for tooth segmentation Comput Biol Med 2020 ; 120 : 103720

, Wang L., Chen K.C., Gao Y., Shi F., Liao S., Li G., et al. Automated bone segmentation from dental CBCT images using patch-based sparse representation and convex optimization Med Phys 2014 ; 41 (4) : 43503.

, Fedorov A., Beichel R., Kalpathy-Cramer J., Finet J., Fillion-Robin J.-C., Pujol S., et al. 3D Slicer as an image computing platform for the Quantitative Imaging Network Mag Reson Imaging 2012 ; 30 (9) : 1323-1341

, Cignoni P, Callieri M, Corsini M, Dellepiane M, Ganovelli F, Ranzuglia G, editors. Meshlab: an open-source mesh processing tool. Eurographics Italian chapter conference. Salerno, Italy: 2008.

]}

Deep learning - segmentation dentaire assistée par réseau de neurones

Apprentissage automatique probabilisé

Animation et simulation de mouvements dentaires

Mouvement dentaire orthodontique piloté par l'intelliigence artificielle

Scan STL intraoral Fusion et DICOM STL

Exemple de traitement d'une canine incluse utilisant la technologie CBCT ^{[Melsen B., Konstantellos V., Lagoudakis M., Planert J. Combined intrusion and retraction generated by cantilevers with helical coils J Orofac Orthop 1997 ; 58 (4) : 232-241

, Dalstra M., Melsen B. Force systems developed by six different cantilever configurations Clin Orthod Res 1999 ; 2 (1) : 3-9

]}

Conclusion

Déclaration de liens d'intérêts

☆	Pour citation, ne pas utiliser la référence ci-dessus de cet article, mais la référence de la version originale publiée dans EMC - Orthopédie Dentofaciale 2023;35(1):1-12 [Article 23-520-A-20].