Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

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

29 juni 2026 bijgewerkt door: 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.

Studie Overzicht

Toestand

Nog niet aan het werven

Conditie

Interventie / Behandeling

Studietype

Ingrijpend

Inschrijving (Geschat)

490

Fase

  • Niet toepasbaar

Deelname Criteria

Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.

Geschiktheidscriteria

Leeftijden die in aanmerking komen voor studie

  • Volwassen

Accepteert gezonde vrijwilligers

Nee

Beschrijving

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.

Studie plan

Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.

Hoe is de studie opgezet?

Ontwerpdetails

  • Primair doel: Diagnostisch
  • Toewijzing: NVT
  • Interventioneel model: Opdracht voor een enkele groep
  • Masker: Geen (open label)

Wapens en interventies

Deelnemersgroep / Arm
Interventie / Behandeling
Ander: Specialist annotation
Diagnostische toets: 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.

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Evaluation of root canal obturation quality from periapical radiographs
Tijdsspanne: 1 month
Evaluation of root canal obturation quality from periapical radiographs
1 month

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Sponsor

Cairo University

Studie record data

Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.

Bestudeer belangrijke data

Studie start (Geschat)

1 augustus 2026

Primaire voltooiing (Geschat)

30 december 2026

Studie voltooiing (Geschat)

1 juli 2027

Studieregistratiedata

Eerst ingediend

29 juni 2026

Eerst ingediend dat voldeed aan de QC-criteria

29 juni 2026

Eerst geplaatst (Werkelijk)

6 juli 2026

Updates van studierecords

Laatste update geplaatst (Werkelijk)

6 juli 2026

Laatste update ingediend die voldeed aan QC-criteria

29 juni 2026

Laatst geverifieerd

1 juni 2026

Meer informatie

Termen gerelateerd aan deze studie

Trefwoorden

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • New Endo 7.1.1

Plan Individuele Deelnemersgegevens (IPD)

Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?

ONBESLIST

Informatie over medicijnen en apparaten, studiedocumenten

Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel

Nee

Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct

Nee

Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .

Abonneren