הצילום הפנורמי ממשיך להיות אחת מבדיקות ההדמיה הנפוצות ביותר ברפואת השיניים, גם בעידן שבו השימוש ב־CBCT הולך ומתרחב. יתרונותיו מוכרים: קבלת תמונה רחבה של המשנן, עצמות הלסת, הסינוסים וחלק מאזור מפרקי הלסת, בזמן קצר, בעלות נמוכה יחסית ובמנת קרינה נמוכה בהשוואה להדמיה תלת־ממדית. אלא שהמערכות הפנורמיות של השנים האחרונות שונות במידה ניכרת מן המכשירים הדיגיטליים הראשונים. עיקר השינוי אינו עוד בעצם המעבר מפילם לחיישן דיגיטלי, אלא בשילוב בין חומרה משופרת, שחזור חישובי, מיקוד אוטומטי, פרוטוקולים להפחתת מינון ובינה מלאכותית.

אחת המגבלות הבסיסיות של צילום פנורמי הייתה ונשארה תלותו במיקום המטופל בתוך שכבת המיקוד, ה־focal trough. סטייה של הראש קדימה או אחורה, הטיה, סיבוב או אי־הצמדת הלשון לחך עלולים לגרום לטשטוש, הגדלה לא אחידה, עיוותים וארטיפקטים. במחקר שכלל 2,629 צילומים פנורמיים נמצא שיעור גבוה של שגיאות טכניות ומיקום, כאשר אי־הצמדת הלשון לחך הייתה בין השגיאות השכיחות [1]. גם מחקרים המבוססים על deep learning הדגימו שניתן לזהות אוטומטית חלק ניכר משגיאות המיקום בצילום הפנורמי [2].

מכאן נובע אחד מכיווני הפיתוח המרכזיים של הדור החדש: הפחתת התלות במיקום מדויק לחלוטין של המטופל. חלק מן המערכות החדשות משתמשות בצילומי scout, בקרת מיקום דיגיטלית או בחירה אוטומטית של שכבת המיקוד. מערכות אחרות מבצעות איסוף נתונים המאפשר ליצור לאחר החשיפה מספר שכבות פוקאליות ולבחור מתוכן את השכבה שבה האזור המבוקש נראה בצורה החדה ביותר. גישה זו מכונה לעיתים multilayer panoramic imaging או panoramic tomosynthesis.

במחקר של Jeon וחב’ נבדקה מערכת פנורמית המסוגלת להפיק סדרה של שכבות בעומקים שונים, במקום להסתפק בתמונה יחידה הנגזרת משכבת מיקוד קבועה מראש [3]. היתרון המעשי ברור: אם קשת השיניים של המטופל אינה תואמת באופן מושלם את הגאומטריה הסטנדרטית של המכשיר, ניתן לבחור בדיעבד את השכבה המתאימה יותר. הדבר עשוי להיות משמעותי במיוחד באזור הקדמי, שבו טעויות מיקום קלות גורמות לעיתים לטשטוש בולט.

גם טכנולוגיית החיישנים ממשיכה להתפתח. מרבית המכשירים העכשוויים משתמשים בגלאים דיגיטליים מסוג solid-state, לרוב CMOS בשילוב scintillator. עם זאת, ברכישת מכשיר חדש אין להתייחס למספר הפיקסלים בלבד. מבחינה קלינית, היחס בין חדות, רעש ומנת הקרינה חשוב יותר מרזולוציה נומינלית. אלגוריתמים של denoising, sharpening ועיבוד ניגודיות מאפשרים כיום להפיק תמונה שימושית גם מפרוטוקולים במינון נמוך יותר.

הפחתת הקרינה היא אכן אחד מצירי הפיתוח החשובים. המלצות עדכניות מדגישות כי יש להתאים את סוג ההדמיה, שדה הצילום ופרמטרי החשיפה לשאלה הקלינית הספציפית ולמאפייני המטופל, תוך יישום עקרונות אופטימיזציה של מינון [4]. במכשירים מודרניים ניתן למצוא פרוטוקולים ייעודיים לילדים, קולימציה טובה יותר, התאמת החשיפה לממדי המטופל ומצבי low-dose. החשיבות הקלינית אינה רק בהפחתת מנת הקרינה בכל צילום, אלא גם בהפחתת הצורך בצילומים חוזרים הנגרמים משגיאת מיקום או מאיכות בלתי מספקת.

במקביל הולך ומיטשטש הגבול בין מכשיר פנורמי לבין מערכת CBCT. מערכות רבות מוצעות כיום כפלטפורמה משולבת המספקת צילום פנורמי דו־ממדי, ולעיתים גם צפלומטרי, לצד CBCT בשדות צילום שונים. יתרונה של מערכת כזו אינו בכך שיש לבצע CBCT באופן שגרתי, אלא ביכולת לבחור בבדיקה הפשוטה והמופחתת בקרינה כאשר היא מספקת, ולעבור להדמיה תלת־ממדית רק כאשר קיימת הצדקה קלינית.

כיוון מחקרי מעניין במיוחד הוא יצירת תמונה פנורמית מתוך הנתונים שנאספו בבדיקת CBCT. Kwon וחב’ הראו שניתן להשתמש בנתוני ההקרנה של CBCT לצורך שחזור panoramic tomosynthesis המותאם לקשת הדנטלית [5]. לאחרונה הוצגו גם שיטות מבוססות בינה מלאכותית המזהות אוטומטית את קשת השיניים ומגדירות אזור שחזור אופטימלי. Kim וחב’ דיווחו ב־2025 על שימוש ברשת תלת־ממדית מסוג U-Net לצורך התאמת משטח השחזור לאנטומיה של המשנן, באופן ששיפר את בהירות השורשים ומבנים דנטליים נוספים [6]. ההתפתחות מסמנת מעבר מתמונה פנורמית המבוססת על גאומטריה קבועה לתמונה חישובית המותאמת יותר למטופל.

יישומי הבינה המלאכותית אינם מסתכמים בשחזור. Kim וחב’ הראו כי ניתן להשתמש ברשת מסוג generative adversarial network לשיפור איכותם של צילומים פנורמיים, לרבות תמונות שבהן קיימת ירידה בחדות באזור הקדמי [7]. מחקרים נוספים מתמקדים בבקרת איכות אוטומטית של הצילום עצמו. Ameli וחב’ פיתחו מערכת להערכת פרמטרים כגון ניגודיות, כיסוי אנטומי, ארטיפקטים ומיקום המטופל [8]. מחקרים מ־2026 הראו יכולת לזהות באמצעות AI שגיאות כגון tongue space, הגדלה בלתי אחידה ושיבוש במישור הסגר [9,10]. בעתיד, מערכות כאלה עשויות לספק לטכנאי או לרופא משוב כמעט מיידי לגבי איכות הצילום ולהתריע על צורך בחזרה לפני שהמטופל עוזב את אזור ההדמיה.

עם זאת, יש להתייחס בזהירות למונח “שיפור תמונה”. אלגוריתם המחדד גבולות, מפחית רעש או משלים מידע חסר עשוי גם לשנות את מראם של מבנים אנטומיים עדינים. לכן יש חשיבות לשמירת התמונה המקורית ולכך שהעיבוד החישובי יישאר כלי עזר ולא תחליף למידע שנקלט בפועל. גם המכשיר המתקדם ביותר אינו מבטל מגבלות בסיסיות של צילום פנורמי, ובהן חפיפה בין מבנים, עיוות גאומטרי, ghost images והיעדר מידע תלת־ממדי אמיתי.

בעת בחירת מערכת פנורמית חדשה כדאי אפוא להסתכל מעבר לנתונים השיווקיים של “רזולוציה גבוהה”. מיקום המטופל, אפשרויות autofocus או multilayer reconstruction, פרוטוקולים במינון נמוך, מצבי ילדים, איכות תוכנת העיבוד, תאימות DICOM, אפשרות לשמור את תמונת המקור ואיכות השירות והכיול חשובים לעיתים יותר ממספר הפיקסלים. החידוש המשמעותי של השנים האחרונות הוא שהמכשיר הפנורמי הופך בהדרגה ממצלמת רנטגן המפיקה תמונה אחת למערכת הדמיה חישובית, שמטרתה לבחור את שכבת המיקוד המתאימה, לשפר את איכות המידע ולהשיג צילום אבחנתי במינון הנמוך הסביר.

ספרות

  1. Lingam AS, Koppolu P, Abdulsalam R, Reddy RL, Anwarullah A, Koppolu D. Assessment of common errors and subjective quality of digital panoramic radiographs in dental institution, Riyadh. Ann Afr Med. 2023;22(1):49-54. doi:10.4103/aam.aam_213_21.
  2. Su HY, Hsieh ST, Tsai KZ, et al. Fusion extracted features from deep learning for identification of multiple positioning errors in dental panoramic imaging. J Xray Sci Technol. 2023;31(6):1315-1332. doi:10.3233/XST-230171.
  3. Jeon KJ, Han SS, Lee C, Choi YJ, Jung HI, Kim YH. Application of panoramic radiography with a multilayer imaging program for detecting proximal caries: a preliminary clinical study. Dentomaxillofac Radiol. 2020;49(8):20190467. doi:10.1259/dmfr.20190467.
  4. Benavides E, Krecioch JR, Connolly RT, et al. Optimizing radiation safety in dentistry: clinical recommendations and regulatory considerations. J Am Dent Assoc. 2024;155(4):280-293.e4. doi:10.1016/j.adaj.2023.12.002.
  5. Kwon T, Choi DI, Hwang J, Lee T, Lee I, Cho S. Panoramic dental tomosynthesis imaging by use of CBCT projection data. Sci Rep. 2023;13:8817. doi:10.1038/s41598-023-35805-1.
  6. Kim N, Park H, Jung YH, Hwang JJ. Enhancing panoramic dental imaging with AI-driven arch surface fitting: achieving improved clarity and accuracy through an optimal reconstruction zone. Dentomaxillofac Radiol. 2025;54(4):256-267. doi:10.1093/dmfr/twaf006.
  7. Kim HS, Ha EG, Lee A, Choi YJ, Jeon KJ, Han SS, Lee C. Refinement of image quality in panoramic radiography using a generative adversarial network. Dentomaxillofac Radiol. 2023;52(5):20230007. doi:10.1259/dmfr.20230007.
  8. Ameli N, Miri Moghaddam M, Lai H, Pacheco-Pereira C. Automated quality evaluation of dental panoramic radiographs using deep learning. Imaging Sci Dent. 2025;55(2):175-188. doi:10.5624/isd.20240232.
  9. Abdel Salam TA, Abdelsalam AM, Sholkamy NR, Sebaq A. Assessment of artificial intelligence in detecting errors on panoramic radiographs. Imaging Sci Dent. 2026;56(2):144-152. doi:10.5624/isd.20250242.
  10. Yılmaz S, Gürhan C. Towards accurate occlusal plane positioning in panoramic radiographs: a deep learning-assisted study. Oral Radiol. 2026;42(3):593-606. doi:10.1007/s11282-025-00891-6.