Les données d'imagerie médicale 3D de haute qualité constituent le fondement des IA en radiologie moderne, mais l'entraînement des modèles d'intelligence artificielle médicaux fait face depuis longtemps à un « goulot d'étranglement » lié aux contraintes de confidentialité des données, au coût du marquage et à la taille limitée des échantillons. Pour résoudre ce problème, NVIDIA a récemment lancé le cadre open-source NV-Generate-CTMR, qui prend en charge la synthèse de données CT et IRM 3D haute résolution afin d'aider les chercheurs à construire plus efficacement des systèmes d'IA pour l'imagerie médicale. Ce cadre est développé sur la base de l'architecture MAISI (Medical AI for Synthetic Imaging) précédemment publiée par NVIDIA ; sa dernière version, MAISI-v2, utilise une technologie dite de flux rectifié latent (Latent Rectified Flow). Par rapport aux modèles de diffusion traditionnels, elle permet d'accélérer l'inférence d'environ 33 fois tout en améliorant la qualité de génération. Le framework supporte la production complète de volumes d'imagerie médicale 3D ainsi que leurs résultats correspondants de segmentation anatomique, s'appliquant à diverses tâches telles que l'augmentation de données, la génération inter-modale ou encore la segmentation tumorale. Parallèlement, NVIDIA a également publié le modèle de génération d'IRM cérébrale NV-Generate-MR-Brain. Ce modèle a été entraîné sur le jeu de données multimodales MR-RATE, actuellement le plus grand ensemble de données IRM open-source mondial, comprenant plus de 83 000 patients, environ 700 000 volumes d'IRM accompagnés de rapports radiologiques anonymisés et de métadonnées DICOM. Il prend en charge la génération de multiples séquences d'IRM cérébrales incluant T1, T2, FLAIR et SWI, avec une capacité maximale de produire des images cérébrales complètes en résolution 512 × 512 × 256. Contrairement aux méthodes traditionnelles de génération d'imagerie médicale, NV-Generate-CTMR se distingue notamment par sa prise en charge de tailles de voxels variables, de différents volumes totaux et d'une couverture corporelle étendue. Cette flexibilité lui permet de s'adapter à divers protocoles d'examen clinique sans nécessiter de réentraîner le modèle pour chaque organe spécifique. NVIDIA positionne cette solution comme un « modèle fondamental » (foundation model) dédié à l'imagerie médicale. Le projet étant désormais entièrement ouvert, il comprend les poids pré-entraînés, les configurations d'entraînement et le code d'inférence, permettant aux chercheurs de l'utiliser directement sur leur propre matériel GPU local ou de procéder à son affinage. Selon NVIDIA, les images médicales synthétiques joueront un rôle croissant dans plusieurs domaines clés : le partage sécurisé de données préservant la vie privée, la simulation de pathologies rares et l'amélioration de la généralisation des modèles d'IA médicaux.