Publié le 9 janvier 2026 à 06h01. Une nouvelle méthode basée sur l’intelligence artificielle permet d’améliorer significativement la qualité des images issues de l’imagerie par résonance magnétique fonctionnelle (IRMf), ouvrant ainsi de nouvelles perspectives pour la recherche sur le cerveau et le diagnostic de troubles neurologiques.
- L’IA générative, utilisée dans une approche appelée DeepCor, réduit de plus de 200 % le bruit présent dans les images IRMf par rapport aux techniques existantes.
- Cette avancée permet de distinguer plus clairement les signaux neuronaux réels des interférences causées par les mouvements du patient ou son activité physiologique.
- Des recherches complémentaires visent à rendre cette technologie accessible à l’ensemble de la communauté scientifique et à l’appliquer à de vastes bases de données IRMf publiques.
L’imagerie par résonance magnétique fonctionnelle (IRMf) est une technique non invasive largement utilisée en neurosciences. En 2024 seulement, des dizaines de milliers d’études scientifiques ont exploité l’IRMf pour étudier le fonctionnement et les dysfonctionnements du cerveau. Cependant, la distinction entre les signaux neuronaux authentiques et les artefacts, ou « bruit », reste un défi majeur, limitant la précision des analyses et l’interprétation des processus cérébraux.
Une équipe de chercheurs du Boston College, dirigée par Stefano Anzellotti, professeur agrégé de psychologie, a développé une nouvelle approche prometteuse, récemment publiée dans la revue Nature. Leur méthode, baptisée DeepCor, s’appuie sur l’IA générative pour supprimer le bruit de manière beaucoup plus efficace. DeepCor utilise la reconnaissance profonde des formes pour identifier et différencier les zones du cerveau contenant des neurones des zones dépourvues de cellules nerveuses, comme les ventricules. L’IA est ainsi capable de reconnaître les schémas communs de bruit affectant ces deux types de zones et de les éliminer, ne laissant subsister que les signaux neuronaux précis et fiables.
« D’autres méthodes ont déjà tenté de résoudre ce problème, mais en utilisant l’IA générative, nous avons obtenu une amélioration de plus de 200 % par rapport aux techniques existantes. »
Stefano Anzellotti, professeur agrégé de psychologie, Boston College
Les performances de DeepCor surpassent significativement celles des méthodes traditionnelles, telles que CompCor. Lors de l’analyse des réponses faciales à partir de données IRMf réelles, la méthode a permis de supprimer plus du double du bruit. Sur des ensembles de données synthétiques réalistes, l’amélioration a même atteint plus de 300 %.
L’ampleur de ces résultats a surpris les chercheurs eux-mêmes, qui n’avaient initialement anticipé qu’une amélioration de quelques dizaines de pour cent. Cette découverte ouvre de nouvelles perspectives pour la recherche sur le cerveau, en rendant visibles des schémas et des connexions plus subtils.
L’équipe du Boston College prévoit de rendre DeepCor largement accessible à la communauté scientifique et de l’appliquer à de vastes ensembles de données IRMf publiques. Cette initiative permettra d’accélérer la recherche fondamentale sur le cerveau et d’approfondir l’étude des troubles neurologiques et psychiatriques. L’étude souligne le rôle croissant de l’IA dans l’amélioration des techniques d’imagerie médicale et l’augmentation de leur valeur clinique et scientifique.
Par ailleurs, des chercheurs de l’Université de Waterloo ont récemment mis au point une nouvelle technologie IRM basée sur l’IA, capable d’améliorer considérablement le diagnostic et le traitement du cancer du sein. Cette technique, appelée imagerie de diffusion corrélée synthétique (CDI), permet de rendre le tissu tumoral plus visible sur les IRM et de le distinguer plus facilement du tissu mammaire sain, facilitant ainsi un diagnostic plus rapide et plus précis, ainsi qu’une planification thérapeutique optimisée. La CDI, initialement développée pour le cancer de la prostate, a été optimisée pour le cancer du sein grâce à l’intelligence artificielle, exploitant les différences de structure tissulaire et de mouvement des molécules d’eau entre les tissus sains et cancéreux.