تلعب تقسيم الأسنان وتمييزها دورًا محوريًا في مجموعة متنوعة من التطبيقات السنية والإجراءات التشخيصية. وقد ساهم دمج نماذج التعلم العميق في تسهيل تطوير طرق دقيقة وآلية لتقسيم الصور السنية. وعلى الرغم من أن الأبحاث السابقة استعرضت تقسيم الأسنان، إلا أن عددًا قليلاً من الطرق نجح في أداء تقسيم الأسنان وتحديدها في آنٍ واحد. تقدم هذه الدراسة مجموعة بيانات أسنان تُسمى UFBA-425، المستمدة من مجموعة بيانات UFBA-UESC، وتحتوي على تسميات مربعات حدودية (bounding box) وتمثيلات متعددة الأضلاع (polygon annotations) لـ 425 صورة سنية بانورامية. كما تقدم هذه الدراسة معمارية جديدة تُسمى OralBBNet، تتميز بوجود رؤوس متعددة للتقسيم والتحديد، حيث تُستخدم معمارية U-Net للتقسيم وYOLOv8 للتحديد. صُممت OralBBNet لتحسين دقة ومتانة تصنيف الأسنان وتقسيمها في الصور البانورامية من خلال الاستفادة من المزايا التكميلية لكل من U-Net وYOLOv8. حققت طريقة العمل هذه تحسنًا بنسبة 1-3% في متوسط دقة الدقة (mAP) لتحديد الأسنان مقارنة بالتقنيات الحالية، وتحسنًا بنسبة 15-20% في معامل دايكس (Dice score) لتقسيم الأسنان مقارنةً بـ U-Net عبر فئات الأسنان المختلفة، بالإضافة إلى تحسن بنسبة 2-4% في معامل دايكس عند مقارنتها ببُنى تقسيم أخرى. تُشكّل نتائج هذه الدراسة أساسًا لتوسيع استخدام نماذج كشف الكائنات في التشخيص السني.