Soumee Guha, doctorante au département de génie électrique et informatique de l'Université de Virginie, a développé une méthode innovante utilisant l'intelligence artificielle générative pour améliorer la qualité des imageries médicales. Sa thèse, défendue avec succès ce printemps, présente des modèles de diffusion adaptés spécifiquement à la réduction du bruit et du flou dans les images médicales, comme les échographies ou les endoscopies. Les techniques d'imagerie par ultrasons et autres systèmes cohérents produisent souvent des images granuleuses ou déformées en raison de la diffusion des ondes sonores ou lumineuses. Ces distorsions peuvent masquer des détails cruciaux pour le diagnostic. Les approches classiques d'apprentissage profond exigent généralement des volumes importants de données cliniques pour s'entraîner, ressources souvent difficiles d'accès ou protégées. La méthode de Guha contourne cette contrainte en intégrant directement les principes physiques du système d'imagerie dans l'architecture algorithmique. En combinant des outils mathématiques rigoureux avec la génération d'images, le modèle peut restaurer les détails perdus sans dépendre de bases de données massives. Contrairement aux outils grand public générant du contenu imaginaire, cette technologie sert à restituer la réalité clinique avec plus de précision. Le processus étale progressivement le bruit visuel avant de le réduire de manière contrôlée, permettant à l'algorithme de reconstruire l'image la plus probable selon les données physiques et les modèles d'entraînement préalables. Les médecins peuvent ainsi confronter ou fusionner les images originales et celles optimisées par l'intelligence artificielle pour affiner leurs diagnostics. Selon son directeur de thèse, le professeur Scott Acton, cette approche constitue un cadre unifié et non une simple amélioration isolée. Elle s'applique également à d'autres domaines comme le sonar, le radar ou la technologie laser, tous sensibles au phénomène de tavelure. Les images restaurées pourront par ailleurs servir à entraîner de futurs modèles diagnostiques et à valider des tâches automatisées telles que le repérage de tumeurs ou la mesure de volumes organiques. Passionnée depuis ses études de premier cycle par le traitement d'images, Guha s'appuie sur cette découverte pour poursuivre ses recherches en stage postdoctoral. Son travail marque une avancée significative à l'intersection des mathématiques appliquées et de l'informatique médicale, promettant des outils d'aide au diagnostic plus accessibles et plus fiables pour les établissements de santé.