Les progrès rapides dans les technologies d'imagerie médicale soulignent la nécessité critique d'une évaluation automatisée et précise de la qualité des images (IQA), afin d'assurer l'exactitude diagnostique. Cependant, les méthodes actuelles d'IQA médicale présentent des difficultés à s'adapter à diverses modalités et scénarios cliniques. Pour répondre à ces limites, nous introduisons MedIQA, le premier modèle fondamental complet dédié à l'IQA médicale, conçu pour gérer la variabilité des dimensions des images, des modalités, des régions anatomiques et des types d'images. Nous avons développé un ensemble de données à grande échelle multi-modalité, comprenant de nombreuses notes de qualité annotées manuellement, afin de soutenir ce modèle. Notre modèle intègre un module d'évaluation des coupes pertinentes pour se concentrer sur les régions diagnostiquement significatives, ainsi qu'une stratégie d'annotation automatique des prompts qui aligne le pré-entraînement sur des paramètres physiques en amont avec le raffinement (fine-tuning) sur des annotations d'experts en aval. Des expériences approfondies montrent que MedIQA dépasse significativement les modèles de base dans plusieurs tâches en aval, établissant ainsi un cadre évolutif pour l'IQA médicale et améliorant les processus diagnostiques ainsi que les décisions cliniques.