Modèles de diffusion appliqués à l’imagerie médicale : augmentation de données et reconstruction d’images

Cette ressource fait partie du N°121 de La Revue 3EI du 4^ème trimestre 2026.

L'imagerie médicale qui accompagne le patient à chaque étape du soin (dépistage, diagnostic et suivi d'un traitement) repose sur plusieurs techniques : radiographie, scanner, IRM, échographie ou encore tomographie par émission de positons. Dans beaucoup de ces techniques un appareil mesure un signal, puis une reconstruction de l'image est effectuée à partir de ces mesures. Cette chaîne d'acquisition pose un premier problème. Afin d’avoir des images de meilleure qualité il est nécessaire d’effectuer plus de mesure augmentant la durée d’examen et son coût. Il faudrait donc réduire le nombre de mesures ou recourir à un équipement moins complexe. L'image calculée est alors dégradée, elle est bruitée, floue ou marquée d'artefacts. Le problème devient alors un problème de reconstruction d’images : comment retrouver une image exploitable malgré des mesures incomplètes ?

Un second problème concerne l'analyse automatique des images. Des réseaux de neurones aident de plus en plus au diagnostic, par exemple pour repérer une tumeur. Pour ce faire, ils sont entraînés sur des jeux de données comprenant énormément d’images. Or un jeu de données médicales est difficile à constituer (acquisition d’examens et des autorisations, anonymisation des données, annotation par des médecins, appareils et protocoles différents, maladies rares peu représentées). L’augmentation de données permet de compléter le jeu de données avec de nouvelles images, sans nouveaux examens ni nouveaux patients.

L'IA générative apporte une réponse à ces deux problèmes. Un modèle génératif apprend, à partir d'exemples, ce qu'est une image médicale plausible et peut ensuite créer de nouvelles images du même type. Cette ressource présente des modèles d’IA génératives et deux de leurs usages en imagerie médicale : l'augmentation de données, création de nouvelles images pour mieux représenter les cas rares et la reconstruction d'images, pour retrouver une image exploitable à partir d'une acquisition bruitée, floue ou incomplète.

Contenu de la ressource :

1. Modèles de diffusion : fondements théoriques
2. Application 1 : augmenter un jeu de données médicales
3. Application 2 : Reconstruire une image à partir de mesures
4. Mise en œuvre : de la démonstration au système fiable
5. Conclusion