L’imputation d’images manquantes par traduction de modalité source vers cible peut améliorer la diversité des protocoles d'imagerie médicale. Une approche courante pour la synthèse d’images cibles repose sur une cartographie en une seule étape via des réseaux génératifs adversariaux (GAN). Toutefois, les modèles GAN qui caractérisent implicitement la distribution d’images peuvent souffrir d’une fidélité limitée des échantillons. Dans cette étude, nous proposons une nouvelle méthode fondée sur un modèle diffusion adversarial, nommée SynDiff, pour améliorer les performances en traduction d’images médicales. Pour capturer une correspondance directe de la distribution d’images, SynDiff exploite un processus diffusion conditionnel qui mappe progressivement le bruit et les images sources vers l’image cible. Pour permettre un échantillonnage rapide et précis durant l’inférence, des étapes de diffusion importantes sont effectuées en combinant des projections adversariales dans la direction inverse de la diffusion. Afin de permettre l’entraînement sur des jeux de données non appariés, une architecture cycliquement cohérente est conçue, intégrant des modules diffusifs et non diffusifs couplés, permettant une traduction bidirectionnelle entre deux modalités. Des évaluations étendues sont rapportées sur l’efficacité de SynDiff par rapport à des modèles GAN et diffusion concurrents, dans le cadre de la traduction multi-contraste en IRM et de la traduction IRM-CT. Nos résultats démontrent que SynDiff offre des performances quantitativement et qualitativement supérieures par rapport aux méthodes de référence.