Nous présentons une nouvelle méthode d'apprentissage de distorsion adversariale (ADL) pour le débruitage des données d'images biomédicales en deux et trois dimensions (2D/3D). L'ADL proposé se compose de deux auto-encodeurs : un débruiteur et un discriminateur. Le débruiteur élimine le bruit des données d'entrée, tandis que le discriminateur compare le résultat débruité à son équivalent sans bruit. Ce processus est répété jusqu'à ce que le discriminateur ne puisse plus différencier les données débruitées de la référence. Les deux auto-encodeurs, le débruiteur et le discriminateur, sont basés sur un auto-encodeur appelé Efficient-Unet. Efficient-Unet dispose d'une architecture légère qui utilise des blocs résiduels et une nouvelle approche pyramidale dans sa trame de base pour extraire et réutiliser efficacement les cartes de caractéristiques. Au cours de l'entraînement, les informations texturales et le contraste sont contrôlés par deux nouvelles fonctions de perte. L'architecture d'Efficient-Unet permet de généraliser la méthode proposée à tout type de données biomédicales. La version 2D de notre réseau a été entraînée sur ImageNet et testée sur des ensembles de données biomédicales dont la distribution est complètement différente de celle d'ImageNet ; ainsi, il n'est pas nécessaire de reprendre l'entraînement. Les résultats expérimentaux menés sur des ensembles de données d'imagerie par résonance magnétique (IRM), dermoscopie, microscopie électronique et radiographie montrent que la méthode proposée a obtenu les meilleurs résultats sur chaque banc d'essai. Notre implémentation ainsi que nos modèles pré-entraînés sont disponibles à l'adresse suivante : https://github.com/mogvision/ADL.