IRM et scanner : Blur Labs mise sur une IA qui reconstruit les images avant même que le radiologue les lise

Une intelligence artificielle peut intervenir dans un examen médical sans jamais chercher à nommer une maladie. C’est le terrain de Blur Labs, jeune entreprise présentée le 13 octobre dans un article de Frank Niedercorn pour Les Echos : transformer les données captées par les appareils en images exploitables. Matthieu Terris, son président et cofondateur, y décrit un travail sur la chaîne de traitement intégrée aux équipements. L’objectif annoncé est d’obtenir de meilleures images ou, à terme, des acquisitions plus courtes. [1]

Le point intéressant se situe avant la lecture du radiologue. On parle souvent d’IA capable de repérer une anomalie sur un cliché. Ici, la question est différente : comment fabriquer ce cliché à partir des mesures de l’appareil ? Cette étape discrète conditionne ce que le médecin pourra ensuite observer.

L’appareil mesure un signal, il ne prend pas une photo ordinaire

Dans un scanner, une source de rayons X tourne autour du corps. Des détecteurs recueillent les rayons qui l’ont traversé, puis un ordinateur calcule des images en coupe. En IRM, des aimants et des impulsions de radiofréquence permettent de recueillir un signal provenant des tissus. Là encore, il faut un traitement informatique pour produire l’image. Ces deux techniques utilisent donc une reconstruction, mais elles ne recueillent pas les mêmes données. [2, 3]

L’IRM n’utilise pas de rayons X, contrairement au scanner. Raccourcir une acquisition IRM pourrait rendre l’immobilité moins longue à supporter, mais ce ne serait pas une réduction de l’exposition aux rayons X : il n’y en a pas dans cet examen. Pour un scanner, la question de l’irradiation existe bien. Le bénéfice d’une nouvelle reconstruction doit alors être apprécié avec le protocole utilisé, et non déduit d’une promesse générale sur l’imagerie.

Reconstruire revient à retrouver une image à partir de mesures indirectes. La difficulté augmente quand ces mesures sont incomplètes ou perturbées par du bruit, c’est-à-dire des variations qui brouillent l’information recherchée. L’algorithme doit départager ce qui décrit réellement les tissus et ce qui vient des conditions d’acquisition. Il ne s’agit donc pas simplement d’appliquer un filtre esthétique à une image déjà terminée.

Une IA guidée par la physique de l’acquisition

Blur Labs présente ses modèles comme une façon d’améliorer cette reconstruction pour plusieurs types d’appareils. Sur son site, l’entreprise décrit notamment des applications en IRM, échographie et médecine nucléaire. Il s’agit de sa présentation commerciale, pas d’une démonstration de bénéfice pour chaque patient ou chaque examen. [4]

Le travail scientifique Reconstruct Anything Model, signé notamment par Matthieu Terris et Julián Tachella, aide à comprendre l’approche. Mis en ligne une première fois en mars 2025, puis révisé en mars 2026, ce travail propose un modèle qui intègre des informations sur la physique de l’acquisition et le bruit des mesures. Il n’est pas une nouvelle étude clinique publiée à l’occasion de l’article d’octobre. [5]

L’idée est de ne pas traiter tous les signaux comme des images interchangeables. Le modèle prend en compte la façon dont l’appareil a produit ses mesures : le lien entre les tissus à représenter et les données enregistrées fait partie du calcul. Cette contrainte physique distingue le problème d’une génération d’image à partir d’une simple consigne écrite. L’enjeu n’est pas de dessiner un organe vraisemblable, mais de retrouver une représentation fidèle aux données recueillies.

Les chercheurs évaluent leur méthode sur des tâches de reconstruction, notamment avec des données d’IRM cérébrale et de scanner. Les comparaisons portent sur des critères techniques de qualité d’image. Ce type d’évaluation permet de tester un algorithme et ses performances dans des conditions définies ; il ne mesure pas directement les erreurs de diagnostic ou le temps total passé par un patient dans un service de radiologie.

Une image plus nette doit conserver l’information utile

Pourquoi ne suffit-il pas de regarder si l’image paraît meilleure ? Parce qu’une image destinée au soin n’a pas le même objectif qu’une photographie agréable. Lisser le bruit est intéressant, à condition de préserver les détails qui comptent pour la lecture. Une apparence plus propre et une information médicale plus fiable sont deux critères à examiner ensemble, pas deux expressions équivalentes.

La question utile pour ces outils devient alors très concrète : les structures nécessaires à l’examen restent-elles correctement représentées, y compris quand l’appareil, le protocole ou les données diffèrent des situations déjà testées ? Le fait d’intégrer la physique donne une direction au calcul. Il ne dispense pas d’évaluer les images obtenues pour l’usage médical envisagé.

Reconstruire une image et interpréter un examen restent deux tâches différentes. La première fournit une représentation à partir du signal. La seconde consiste à examiner les structures visibles, à les rapprocher de la raison pour laquelle l’examen a été prescrit et à rédiger une interprétation médicale. Un progrès dans la première tâche peut aider la seconde sans la rendre automatique.

Il faut aussi distinguer le temps de calcul de la reconstruction, le temps nécessaire pour acquérir les données et la durée complète du rendez-vous. Préparation, installation et éventuelles acquisitions complémentaires ne disparaissent pas parce qu’un calcul est plus rapide. Pour annoncer un examen raccourci, il faut préciser quelle étape change et dans quelles conditions le service peut l’utiliser.