《Scientific Data》：PMCanalSeg: A dataset for automatic segmentation of the pterygopalatine and mandibular canals from 3D CBCT images
编辑推荐：
本研究针对正颌手术中翼腭管与下颌管精准分割的临床需求，构建了首个包含191例CBCT影像的公开数据集PMCanalSeg，重点突破翼腭管标注空白，为深度学习算法开发提供关键数据支撑，将显著提升手术规划安全性并推动智能分割技术临床转化。
在正颌外科手术的精准医疗时代，锥形束计算机断层扫描（Cone Beam Computed Tomography, CBCT）已成为颌面骨骼结构评估的金标准。其中，翼腭管（Pterygopalatine Canal）和下颌管（Mandibular Canal）的精确三维重建直接关系到手术中神经血管束的保护，是避免术后感觉功能障碍的关键。然而当前临床实践面临三重挑战：首先，手动分割这些细微管道结构耗时耗力且存在主观差异；其次，受限于患者隐私保护与伦理规范，高质量标注数据的稀缺严重制约了深度学习算法的性能优化；更值得注意的是，现有公开数据集中始终缺乏翼腭管的专项标注，使得该区域的自动化分割研究长期停滞。
为突破这一瓶颈，研究团队在《Scientific Data》发表了题为“PMCanalSeg: A dataset for automatic segmentation of the pterygopalatine and mandibular canals from 3D CBCT images”的论文，系统性地构建了目前规模最大、结构最完整的颌面管腔分割专用数据集。该研究通过整合191例临床CBCT影像数据，首次实现了翼腭管与下颌管的同步精细标注，不仅填补了该领域数据空白，更为人工智能驱动的手术导航系统开发奠定了基石。
关键技术方法方面，研究团队基于临床回顾性收集了191例患者的上颌骨与下颌骨CBCT原始数据，所有数据均通过伦理审查并完成匿名化处理。通过多名颌面放射专家采用共识标注策略，分别对翼腭管（含上颌神经通路）与下颌管（含下牙槽神经通道）进行逐层轮廓勾画，最终生成高质量的三维分割掩模。数据集构建过程严格遵循医学影像数据管理系统要求，并采用DICOM（Digital Imaging and Communications in Medicine）与NIfTI（Neuroimaging Informatics Technology Initiative）双格式存储以确保兼容性。
数据集规模与结构特征
通过对191例CBCT影像的统计分析，研究发现数据集涵盖不同年龄、性别及解剖变异类型的病例，其中翼腭管的平均长度为（42.3±5.1）mm，下颌管自下颌孔至颏孔的全程可视化率达100%。三维重建结果显示，翼腭管在鹰嘴突与蝶骨翼突间的走行路径存在明显个体差异，这为算法鲁棒性测试提供了天然挑战。
解剖学标注质量验证
采用组内相关系数（Intraclass Correlation Coefficient, ICC）评估标注一致性，结果显示专家间ICC值达0.89（95%CI: 0.83-0.93）。此外，通过对比手动分割与自动分割结果的Dice相似系数（Dice Similarity Coefficient, DSC），验证了标注数据在算法训练中的可靠性基础。
深度学习基准测试
研究团队利用该数据集对U-Net、V-Net等主流分割架构进行性能评估。在五折交叉验证中，最佳模型对下颌管分割的DSC达0.91，而对翼腭管的分割精度为0.83，反映出翼腭管分割仍存在技术挑战，凸显了该数据集在驱动算法优化方面的价值。
本研究通过构建首个面向翼腭管与下颌管联合分割的专项数据集，解决了颌面外科智能规划中的关键数据瓶颈。数据集不仅覆盖了传统关注的下颌管，更开创性地纳入翼腭管完整标注，为复杂颌面手术的神经规避策略提供了三维解剖学基础。值得注意的是，翼腭管分割精度目前仍显著低于下颌管，这既揭示了该区域解剖结构的复杂性，也指明了未来算法研发的重点方向。该数据集的公开将加速计算机辅助手术（Computer-Assisted Surgery, CAS）技术在正颌领域的落地，最终实现手术并发症风险的系统性降低。
