Journal of Police Medicine

fa طراحی سیستم هوش مصنوعی جهت تعیین ارتباط دندان عقل فک پایین با عصب اینفریور آلوئولر در تصاویر پانورامیک Design of an Artificial Intelligence System for Assessing the Spatial Relationship Between the Mandibular Third Molar and the Inferior Alveolar Nerve on Panoramic Radiographs. فناوری‌های مرتبط با طب انتظامی Police Medicine Related Technologies پژوهشی اصيل Original Research اهداف: مولر سوم مندیبولار، شایع‌ترین دندان نهفته در سیستم دندانی انسان است. با توجه به شیوع بالای نهفتگی مولر سوم و فراوانی بالای جراحی کشیدن آن، آسیب به عصب آلوئولار تحتانی یکی از مهم‌ترین و جدی‌ترین عوارض پس از جراحی محسوب می‌شود که می‌تواند منجر به اختلالات حسی پایدار در لب و چانه گردد.در این مطالعه به طراحی، پیاده‌سازی و ارزیابی یک سیستم هوش مصنوعی برای ارزیابی خودکار رابطه فضایی بین مولر سوم مندیبولار (MTM) و عصب آلوئولار تحتانی (IAN) در تصاویر پانورامیک دندان‌پزشکی پرداخته شده است. روش اجرا:  سامانه طراحی شده شامل سه مؤلفه اصلی بود: (1) قطعه‌بندی معنایی برای مکان‌یابی ساختارهای آناتومیک، (2) طبقه‌بندی دودویی برای تشخیص وجود یا عدم وجود تماس بین MTM و IAN،و (3) یک جریان استنتاج یکپارچه که هر دو مدل را به‌صورت متوالی با یکدیگر ترکیب می‌کند. در مرحله قطعه‌بندی، از معماری U-Net با رمزگذار ResNet-34 استفاده شده است و مرحله طبقه‌بندی بر پایه EfficientNet-B0 طراحی شده که برای دریافت ورودی چهارکاناله (تصویر RGB به‌همراه ماسک قطعه‌بندی) اصلاح گردیده است. یافته ها: نتایج نشان می‌دهد که سامانه یکپارچه پیشنهادی به دقت کلی 92.57%، حساسیت 88.31% و ویژگی 97.18% دست یافته است که بیانگر کارایی بالای رویکرد طبقه‌بندی مبتنی بر اطلاعات استخراج‌شده از قطعه‌بندی می‌باشد. نتیجه گیری نتایج این پژوهش نشان می‌دهد که بهره‌گیری از مدل‌های یادگیری عمیق آگاه از ساختار آناتومیک، به‌ویژه در قالب یک سامانه یکپارچه قطعه‌بندی–طبقه‌بندی، می‌تواند ابزار کمکی ارزشمندی برای تصمیم‌گیری بالینی در دندان‌پزشکی و جراحی فک و صورت فراهم آورد.   Aims: The mandibular third molar, is the most frequently impacted tooth in the human dentition. Given the high prevalence of mandibular third molar impaction and the frequent need for surgical extraction, injury to the inferior alveolar nerve (IAN) is considered one of the most significant and serious postoperative complications, potentially leading to persistent sensory disturbances in the lower lip and chin. In this study, an artificial intelligence–based system was designed, implemented, and evaluated for the automatic assessment of the spatial relationship between the mandibular third molar (MTM) and the inferior alveolar nerve (IAN) on dental panoramic radiographs. Materials and methods: The designed system consists of three main components: (1) semantic segmentation for anatomical structure localization, (2) binary classification to determine the presence or absence of MTM–IAN contact, and (3) an integrated inference pipeline that sequentially combines both models. In the segmentation stage, a U-Net architecture with a ResNet-34 encoder was employed, while the classification stage was based on an EfficientNet-B0 model adapted to accept a four-channel input (RGB image combined with the segmentation mask). Results: The results demonstrated that the proposed integrated system achieved an overall accuracy of 92.57%, sensitivity of 88.31%, and specificity of 97.18%, indicating the high effectiveness of the segmentation-informed classification approach. Conclusions: Overall, the findings suggest that anatomically informed deep learning models—particularly those integrating segmentation and classification—can serve as valuable decision-support tools in clinical dentistry.   هوش مصنوعی، دندان عقل فک پایین، عصب اینفریور آلوئولر، تصاویر پانورامیک Artificial Intelegance, Lower mandibular third molar, Inferior Alveolar nerve, panoramic radiograph 0 0 http://jpmed.ir/browse.php?a_code=A-10-1520-1&slc_lang=fa&sid=1 siavash Baghery سیاوش باقری bagheriss961@mums.ac.ir Yes Vahidreza Hosseini وحیدرضا حسینی HosseiniVR871@mums.ac.ir No