Automatic deep learning segmentation of mandibular periodontal bone topography on cone-beam computed tomography images.

Journal: Journal of dentistry
Published Date: Aug 1, 2025

Abstract

OBJECTIVES: This study evaluated the performance of a multi-stage Segmentation Residual Network (SegResNet)-based deep learning (DL) model for the automatic segmentation of cone-beam computed tomography (CBCT) images of patients with stage III and IV periodontitis.

Authors

  • Dániel Palkovics
    1 Semmelweis Egyetem, Fogorvostudományi Kar, Parodontológiai Klinika Budapest, Szentkirályi u. 47., 4. em., 1088 Magyarország.
  • Bálint Molnár
    1 Semmelweis Egyetem, Fogorvostudományi Kar, Parodontológiai Klinika Budapest, Szentkirályi u. 47., 4. em., 1088 Magyarország.
  • Csaba Pintér
    2 Empresa de Base Tecnológica Internacional de Canarias, S. L. (EBATINCA) Las Palmas de Gran Canaria Spanyolország.
  • David García-Mato
    3 Dent.AI Medical Imaging Budapest Magyarország.
  • Andres Diaz-Pinto
    Instituto de Investigación e Innovación en Bioingeniería, I3B, Universitat Politècnica de València, Camino de Vera s/n, 46022, Valencia, Spain. andiapin@upv.es.
  • Peter Windisch
    Department of Periodontology, Semmelweis University, Budapest, Hungary.
  • Christoph A Ramseier
    Department of Periodontology, University of Bern, Freiburgstrasse 7. 3010 Bern, Switzerland. Electronic address: christoph.ramseier@unibe.ch.

Keywords

External Resources

Popular Topics
Recent Journals