# NeuroVFM : 5,24 millions d'IRM bousculent la neuroimagerie

> NeuroVFM, modèle de base en neuroimagerie de l'Université du Michigan, analyse 5,24 millions d'IRM et de CT cliniques.

Type : Actualité IA · Catégorie : Outils · Publié le 2026-07-14 · Signal IA - Order & Chaos · Secteur : Santé
Source : https://www.orderchaos.eu/signal-ia/actu/neurovfm-524-millions-dirm-bousculent-la-neuroimagerie
Tags : neurovfm, neuroimagerie, modèle de base, université du michigan, vol-jepa, ia-image

---

## En résumé

- NeuroVFM est un modèle de base en neuroimagerie de l'Université du Michigan, capable d'apprendre sans étiquettes de rapports radiologiques.
- Le modèle utilise Vol-JEPA, une extension d'I-JEPA et V-JEPA pour imager la structure et la pathologie cérébrale volumétriquement.
- NeuroVFM est formé sur un vaste ensemble de données, avec 5,24 millions de volumes d'IRM et de CT cliniques non filtrées.

**Le signal :** NeuroVFM est formé sur 5,24 millions de volumes d'IRM et de CT cliniques, publié par l'Université du Michigan.

**NeuroVFM**, développé par l'Université du Michigan, est un modèle généraliste en neuroimagerie. Il a été formé sur un ensemble inédit de 5,24 millions de volumes d'IRM et de CT cliniques, tels que rapportés dans [MarkTechPost](https://www.marktechpost.com/2026/07/12/meet-neurovfm-a-new-neuroimaging-foundation-model-trained-with-vol-jepa-on-uncurated-clinical-mri-and-ct-volumes/). Ce modèle vise à analyser la structure et les pathologies cérébrales sans nécessiter d'étiquettes de rapports radiologiques. **Avant** l'apparition de NeuroVFM, les modèles en neuroimagerie reposaient fréquemment sur des ensembles de données annotés par des experts. NeuroVFM, en utilisant Vol-JEPA, marque une avancée puisqu'il est capable d'apprendre de la volumétrie médicale brute. **Vol-JEPA** se positionne comme une extension des techniques I-JEPA et V-JEPA, spécialisées dans l'imagerie volumétrique. Cette approche innovante permet à NeuroVFM d'exploiter efficacement les données non sélectionnées, apportant une compréhension plus nuancée de l'anatomie et des pathologies. **Les implications** pour le domaine médical sont considérables, car ce modèle pourrait réduire la dépendance aux annotations coûteuses et améliorer la rapidité et la précision des diagnostics. L'avenir de [l'imagerie médicale](/signal-ia/actu/ucsd-lance-linstitut-pour-lintelligence-en-sante) pourrait être transformé grâce à ces avancées technologiques, rendant l'imagerie cérébrale plus accessible et précise. Les méthodes et modèles développés pourraient s'étendre à d'autres branches médicales exigeant l'analyse de [grands volumes de données](/signal-ia/actu/sensorfm-de-google-sante-portable-sur-1-000-milliards-de-minutes) non structurées. **Comparativement**, ce modèle de base en neuroimagerie utilise une stratégie d'apprentissage volumétrique moins courante mais déjà explorée dans d'autres contextes d'IA. Les innovations de NeuroVFM pourraient bien positionner [l'Université du Michigan](/signal-ia/actu/radical-numerics-50-millions-pour-moderniser-la-medecine) comme un leader dans les technologies médicales avancées.