Ezt az oldalt automatikusan lefordították, és a fordítás pontossága nem garantált. Kérjük, olvassa el a angol verzió forrásszöveghez.

Diagnostic Accuracy of a Deep Learning Framework for Automated Evaluation of Root Canal Obturation Quality From Periapical Radiographs

2026. június 29. frissítette: Bothaina Mahmoud Elbadry, Cairo University

Diagnostic Accuracy of a Deep Learning Framework for Automated Classification, Quantitative Assessment and Comprehensive Evaluation of Root Canal Obturation Quality From Periapical Radiographs

This study aims to develop and evaluate an artificial intelligence (AI)-based system that can automatically assess the quality of root canal fillings using dental X-ray images. The AI system will analyze important features of the filling, including its length, uniformity, and shape, and classify the treatment quality as acceptable or needing improvement.

The study will use previously collected, anonymized dental X-ray images of teeth that have received root canal treatment. Experienced dental specialists will evaluate these images to provide a reference standard, which will be compared with the AI system's results.

The goal of this research is to determine whether AI can provide a reliable and consistent method for evaluating root canal treatment outcomes. In the future, such technology may help dentists make more accurate decisions, improve treatment evaluation, and contribute to better patient care.

A tanulmány áttekintése

Állapot

Még nincs toborzás

Körülmények

Beavatkozás / kezelés

Tanulmány típusa

Beavatkozó

Beiratkozás (Becsült)

490

Fázis

  • Nem alkalmazható

Részvételi kritériumok

A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.

Jogosultsági kritériumok

Tanulmányozható életkorok

  • Felnőtt

Egészséges önkénteseket fogad

Nem

Leírás

Periapical radiographs of teeth with completed root canal treatment from patients Aged between 18 and 60 years will be included, provided they exhibit satisfactory image quality characterized by adequate sharpness, contrast, and minimal noise, allowing clear visualization of the root canal filling and apical region. The radiographs must enable accurate assessment of obturation quality, including filling length, homogeneity, and taper. Both single-rooted and multi-rooted teeth will be considered to ensure adequate anatomical representation. Radiographs with poor image quality, significant distortion, metallic artifacts, post-core restorations, root resorption, fractures, or incomplete visualization of the apex will be excluded to ensure reliable analysis.

Tanulási terv

Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.

Hogyan készül a tanulmány?

Tervezési részletek

  • Elsődleges cél: Diagnosztikai
  • Kiosztás: N/A
  • Beavatkozó modell: Egyetlen csoportos hozzárendelés
  • Maszkolás: Nincs (Open Label)

Fegyverek és beavatkozások

Résztvevő csoport / kar
Beavatkozás / kezelés
Egyéb: Specialist annotation
Diagnosztikai vizsgálat: Deep learning model
This study aims to develop and evaluate an artificial intelligence (AI)-based system that can automatically assess the quality of root canal fillings using dental X-ray images. The AI system will analyze important features of the filling, including its length, uniformity, and shape, and classify the treatment quality as acceptable or needing improvement.

Mit mér a tanulmány?

Elsődleges eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
Evaluation of root canal obturation quality from periapical radiographs
Időkeret: 1 month
Evaluation of root canal obturation quality from periapical radiographs
1 month

Együttműködők és nyomozók

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Szponzor

Cairo University

Tanulmányi rekorddátumok

Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.

Tanulmány főbb dátumok

Tanulmány kezdete (Becsült)

2026. augusztus 1.

Elsődleges befejezés (Becsült)

2026. december 30.

A tanulmány befejezése (Becsült)

2027. július 1.

Tanulmányi regisztráció dátumai

Először benyújtva

2026. június 29.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2026. június 29.

Első közzététel (Tényleges)

2026. július 6.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (Tényleges)

2026. július 6.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2026. június 29.

Utolsó ellenőrzés

2026. június 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

Kulcsszavak

További vonatkozó MeSH feltételek

Egyéb vizsgálati azonosító számok

  • New Endo 7.1.1

Terv az egyéni résztvevői adatokhoz (IPD)

Tervezi megosztani az egyéni résztvevői adatokat (IPD)?

ELDÖNTETLEN

Gyógyszer- és eszközinformációk, tanulmányi dokumentumok

Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz

Nem

Egy amerikai FDA által szabályozott eszközterméket tanulmányoz

Nem

Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .

Iratkozz fel