TY  - BOOK
AU  - Sally Mansour Abdel-Hady, 
AU  - Enas Anter
AU  - Mushira Dahaba
AU  - Arwa Mousa
TI  - The accuracy of computer aided detection of second mesio-buccal canal of maxillary first molars on cbct images using deep learning model: (artificial intelligence) diagnostic accuracy study /   
U1  - 610.284 
PY  - 2025///
KW  - devices and equipment
KW  - الأجهزة والمعدات
KW  - Artificial intelligence
KW  - CNN
KW  - deep learning
KW  - second mesiobuccal canal
KW  - MB2 canal
KW  - endodontics
KW  - cone beam computed tomography
KW  - CBCT
N1  - Thesis (Ph.D)-Cairo University, 2025; Bibliography: pages 96-107; Issues also as CD
N2  - Aim: The purpose of this study was to assess the accuracy of customized deep learning model using U-Net to detect and segment second mesio-buccal canal of maxillary first molars on CBCT scans. 
Methodology: CBCT scans of 41 patients were imported into 3d slicer software to crop and segment the canals of maxillary first molar with 2 different methods. The annotated data were sent to computer science expert to use the data in training, validation and testing of newly developed deep learning model based on U-Net.  
 Results: The first model, tested using cropped images of the maxillary first molar with all three roots , achieved an F1-score of 0.86, accuracy of 0.89, recall (sensitivity) of 1.0, precision of 0.75, testing loss of 0.97, and AUC of 0.83; in contrast, the second model, using cropped images of only the mesiobuccal root, showed improved F1-score (0.93) and precision (0.87) with slightly lower accuracy (0.87), the same recall (1.0), lower testing loss (0.40), but a reduced AUC of 0.57.. The results of segmentation accuracy were expressed in Dice-coefficient (DCE), where DCE of training is 0.85 while DCE of testing is 0.79. 
 Conclusion: Our study concluded that the MB2 canal in maxillary first molars can be accurately detected and segmented using a novel CNN- and U-net–based deep learning model. The CNN model showed superior accuracy when analyzing cropped images of just the MB root compared to full three-root images.; شهدت التطورات التكنولوجية في مجال أشعة الوجه و الفكين تقدمًا يتجاوز تقنيات التصوير والأجهزة، حيث أصبح عصر التعلم العميق واقعاً ملموسًا، مع قيام العديد من الشركات بتسويق أدوات التشخيص بمساعدة الحاسوب لحل المشكلات التشخيصية المختلفة وتخطيط الإجراءات الطبية.  
من المتوقع أن تشهد جودة وعمق مساهمة الأشعة في رعاية المرضى وصحة المجتمع، بالإضافة إلى سير عمل أطباء الأشعة، ثورة مذهلة في السنوات العشر المقبلة بفضل تطبيقات الذكاء الاصطناعي.  
يعُتبر الفشل في تحديد القنوات أثناء علاج جذور الأسنان أحد الأسباب الأكثر شيوعًا لفشل العلاجات اللبية. ويشمل إعادة علاج الجذور معالجة القنوات التي تم تفويتها، حيث وُجد أن 93% من جميع القنوات المفقودة تكون في الضرس الأول العلوي و44% في الضرس الثاني العلوي، وبالتحديد القناة الدانية  الشدقية اثانية.. 
لذلك، ومن أجل توفير وقت الطبيب ومال المريض من خلال تجنب إعادة علاج الأضراس العلوية، أصبح من الضروري تطوير أداة أوتوماتيكية قادرة على الكشف عن وجود أو غياب القناة الدانية  الشدقية االثانية وتحديد تنوعها التشريحي. 
يهدف هذا البحث إلى دراسة استخدام الذكاء الاصطناعي، لا سيما نموذج تعلم عميق مخصص، للكشف التلقائي والتجزئة للقناة ا الدانية  الشدقية الثانية في الأضراس الأولى والثانية العلوية باستخدام صور الأشعة المقطعية بالحاسوب مخروطية الاشعاع  ثلاثية الأبعاد.  
تم استيراد صور الأشعة المقطعية لـ 50 مريضًا إلى برنامج  3d slicer   لتقطيع وتجزئة قنوات الضرس الأول العلوي باستخدام أطباء أشعة ذوي خبرة من 5 إلى 18 عامًا لتكون بمثابة الحقيقة المرجعية و تم إرسال البيانات المشروحة إلى خبير في علوم الحاسوب لاستخدامها في تدريب وتقييم نموذج تعلم عميق جديد يعتمد على شبكة .U-Net 
حقق النموذج الأول الذي تم اختباره باستخدام صور مقصوصة للضرس الأول العلوي بجذوره الثلاثة قيمة F1-score بمقدار 0.86، ودقة0.89 (accuracy) ، واسترجاع )حساسية( 1.0، ودقة إيجابية0.75 (precision) ، وخسارة اختبار 0.97 (testing loss)، ومنحنى AUC بمقدار 0.83؛ بالمقابل، أظهر النموذج الثاني، الذي استخدم صورًا مقصوصة فقط للجذرالداني الشدقي فقط ، تحسيناً في (0.93) F1-score والدقة الإيجابية) 0.87( مع انخفاض طفيف في الدقة الكلية )0.87(، ونفس معدل الاسترجاع) 1.0(، وخسارة اختبار أقل) 0.40(، لكن مع انخفاض في AUC إلى 0.57. أما نتائج دقة التقسيم (segmentation accuracy) فقد عبُرّ عنها بمعاملDice (DCE) ، حيث بلغ DCE للتدريب 0.85 بينما بلغ  DCEللاختبار 0.79..
ER  -