Publié le 6 janvier 2026 00:49:00. Des chercheurs du Boston College ont mis au point une nouvelle méthode basée sur l’intelligence artificielle capable d’améliorer significativement la clarté des images obtenues par l’imagerie par résonance magnétique fonctionnelle (IRMf), ouvrant ainsi de nouvelles perspectives pour la recherche sur le cerveau et ses troubles.
- L’IA générative développée par l’équipe permet de réduire considérablement le « bruit » dans les données IRMf, causé par les mouvements, le rythme cardiaque et d’autres facteurs.
- Cette nouvelle approche, baptisée DeepCor, surpasse les méthodes existantes avec une amélioration des performances de plus de 200 %.
- Les chercheurs espèrent rendre cette technologie accessible à la communauté scientifique et l’appliquer à de vastes ensembles de données publiques pour accélérer les découvertes en neurosciences.
L’imagerie par résonance magnétique fonctionnelle (IRMf) est un outil essentiel en neurosciences, avec des dizaines de milliers d’études publiées chaque année. Cependant, l’interprétation des données IRMf est souvent entravée par la présence de « bruit », des interférences qui masquent les signaux cérébraux réels. Stefano Anzellotti, professeur agrégé de psychologie au Boston College et auteur principal de l’étude, explique que supprimer ce bruit de manière plus efficace pourrait débloquer de nouvelles connaissances sur le fonctionnement du cerveau et les pathologies qui l’affectent.
La méthode DeepCor, développée par Anzellotti et ses collaborateurs Aidas Aglinskas et Yu Zhu, utilise l’IA générative pour distinguer les schémas d’activité propres aux régions du cerveau contenant des neurones de ceux présents dans les zones dépourvues de cellules nerveuses, comme les ventricules. En supprimant les éléments communs aux deux types de régions, l’IA met en évidence les signaux spécifiques aux zones neuronales, améliorant ainsi la qualité de l’image.
Selon Anzellotti, les résultats obtenus sont remarquables :
« Nous voulions améliorer la suppression du bruit des données IRMf. Ce qui est nouveau dans notre travail, c’est que grâce à l’utilisation de l’IA générative, nous avons pu nous améliorer de plus de 200 % par rapport aux méthodes précédentes. »
Les tests ont démontré que DeepCor surpasse les autres techniques de débruitage sur différents types de données simulées. Sur des données IRMf réelles, elle a surpassé la méthode CompCor, largement utilisée, de 215 % dans la suppression du bruit lié aux réponses faciales et de 339 % dans la clarification de données synthétiques conçues pour imiter les caractéristiques d’un véritable ensemble de données IRMf.
L’équipe de recherche s’attend à ce que cette avancée ait un impact significatif sur le domaine des neurosciences. Anzellotti précise :
« Nous avons été surpris par l’ampleur de l’amélioration. Nous nous attendions à ce que la méthode donne de meilleurs résultats, mais nous prévoyions une amélioration de l’ordre de 10 à 50 pour cent. Une amélioration de 200 pour cent était au-delà de nos attentes les plus optimistes. »
Les prochaines étapes consisteront à rendre DeepCor accessible à d’autres chercheurs et à l’appliquer à de vastes bases de données publiques afin de faciliter l’obtention de données IRMf plus fiables et de stimuler la recherche en neurosciences. Référence de l’article scientifique.


