摘要目的:基于深度学习构建根管口定位模型,为临床高效精准定位根管口提供参考.方法:收集80颗离体上颌磨牙,开髓并清理髓室后,插入根管锉以确认根管口位置,采集髓室底显微照片,建立常规根管口数据集.采用随机函数将其中64组数据纳入训练集,16组纳入测试集.将一名牙体牙髓病专家采用MITK软件人工标注髓室底显微影像中的根管口作为参考标准.将训练集输入搜索识别网络2.0版(search and identification network version 2,SINet-V2),以构建常规根管口定位模型(normal canal orifice localization model,NCO-LM).将模型测试结果与参考标准进行数目、形态和准确性评估,采用平均交并比(mean intersection over union,MIoU)、根管口数目预测准确率(num equal rate,NER)、平均绝对误差(mean absolute error,MAE)、平均连通域中心距离差(mean distance,MDis)作为评估指标.随后,在上述80颗磨牙的根管口处覆盖光固化复合树脂,再次获取模拟钙化髓室底照片,建立钙化根管口数据集,按 NCO-LM 的方法训练并测试钙化根管口定位模型(calcified canal orifice localization model,CCO-LM).结果:NCO-LM与CCO-LM的预测结果与参考标准相似性高,定位距离偏差较小.NCO-LM的MIoU为(87.42±5.47)％,MAE为(0.000594±0.000351),MDis 为(1.63±1.40),NER 为 98.44％.CCO-LM 的 MIoU 为(91.87±4.03)％,MAE 为(0.000 801±0.000 543),MDis为(1.91±1.31),NER为96.25％.结论:NCO-LM与CCO-LM可精准定位髓室底显微影像中常规及模拟钙化根管口,为人工智能在临床实时辅助根管口定位提供前期理论基础.