Anonymiser les fichiers DICOM (imagerie médicale) pour recherche et IA – Anonymisation conforme au RGPD selon RGPD art. 9, art. 32 ; CSP L1111-8 ; Référentiel HDS (ANS)

Les fichiers DICOM (radiographies, IRM, scanners) embarquent dans leurs en-têtes des données patient identifiantes — nom, date de naissance, identifiant patient — et parfois dans les pixels eux-mêmes (burnt-in annotations). Catégorie spéciale au sens de l'article 9 RGPD, leur anonymisation couvre à la fois les métadonnées et les données pixel pour permettre la réutilisation en recherche ou en intelligence artificielle médicale.

Quand cela s'applique

Ce flux est adapté aux services de radiologie, aux centres de recherche et aux startups développant des algorithmes d'analyse d'image médicale, lorsqu'ils doivent constituer des jeux de données d'entraînement ou partager des images avec des partenaires sans exposer l'identité des patients.

  1. Exportez les fichiers DICOM depuis le PACS (Picture Archiving and Communication System).
  2. Téléversez les fichiers ou le répertoire DICOM ; le moteur analyse l'ensemble des tags DICOM identifiants (Patient Name, Patient ID, Patient Birth Date, Institution Name, Referring Physician Name, etc.).
  3. Les tags identifiants sont supprimés ou remplacés par des valeurs fictives cohérentes selon le profil d'anonymisation DICOM PS 3.15 E.1.
  4. Le moteur détecte les annotations textuelles gravées dans les pixels (burnt-in text) et les masque automatiquement par un rectangle opaque.
  5. Les métadonnées cliniques utiles (modalité, série, description de l'examen, codes SNOMED/LOINC) sont conservées.
  6. Un identifiant de cas anonyme est attribué pour permettre le suivi longitudinal des séries d'images sans réidentification.
  7. Les fichiers DICOM anonymisés sont exportés et peuvent être hébergés sur un cloud médical — si un hébergeur tiers est impliqué avant anonymisation, la certification HDS (CSP L1111-8) est requise.

Ce que vous fournissez

  • Fichiers DICOM individuels ou répertoire DICOM complet
  • Profil d'anonymisation souhaité (Basic Application Confidentiality Profile ou profil personnalisé)
  • Liste des tags à conserver pour la valeur analytique (modalité, série, date généralisée)
  • Indication de la présence d'annotations pixel (burnt-in text)

Limites & précautions

  • La détection automatique des burnt-in annotations atteint une précision élevée mais non absolue — une vérification visuelle d'un échantillon est recommandée avant diffusion à grande échelle.
  • Certains tags DICOM privés (tags propriétaires constructeurs) peuvent contenir des données identifiantes non couverts par le profil standard — une revue manuelle des tags privés est conseillée.
  • Les images très caractéristiques (morphologie faciale sur IRM cérébrale, radios de fractures spécifiques) conservent un risque résiduel de réidentification par des experts cliniques.

FAQ

Le profil DICOM PS 3.15 E.1 garantit-il une anonymisation conforme au RGPD ?

Le profil DICOM PS 3.15 E.1 est une norme technique de référence pour l'anonymisation des métadonnées DICOM, mais sa conformité au RGPD dépend de son application complète et de la gestion des burnt-in annotations. Une évaluation complémentaire du risque de réidentification est nécessaire pour satisfaire aux exigences de l'article 9 RGPD et aux lignes directrices du CEPD sur l'anonymisation.

Les fichiers DICOM anonymisés peuvent-ils être hébergés sur un cloud public ?

Une fois anonymisés de manière irréversible, les fichiers ne constituent plus des données de santé à caractère personnel ; l'obligation de certification HDS (CSP L1111-8) ne s'applique plus à leur hébergement. Toutefois, si l'hébergeur traite les fichiers avant anonymisation (transfert vers le moteur d'anonymisation), la certification HDS reste obligatoire pour cet hébergeur.

Comment traiter les séries d'IRM cérébrale avec reconstruction 3D du visage ?

Les reconstructions 3D du visage à partir d'IRM cérébrales constituent des données biométriques permettant la réidentification même sans métadonnées DICOM. Le traitement requiert une étape de dépolissage facial (skull-stripping ou face-blurring) sur les reconstructions 3D, en complément de l'anonymisation DICOM standard. Le moteur signale automatiquement les séries susceptibles de contenir ces reconstructions.

Données de santé

About this page

We update this page when our platform or the law changes.

Read our founder note for how we work.

Each change shows up in the timestamp at the top.

We follow these rules

  • GDPR (EU 2016/679).
  • ISO/IEC 27001:2022.
  • NIS2 (EU 2022/2555).
  • HIPAA safe harbor under 45 CFR § 164.514(b)(2).

Our promise

We do not sell your data.

We do not train models on your text.

We store your files in Germany.

You can delete your account at any time.

You own your work.

Where we run

Our servers live in Falkenstein, Germany.

We use Hetzner. They hold ISO 27001 certification.

All data stays in the EU.

Backups run every day.

Need help?

Email support@anonym.legal.

We reply within one business day.

How we test

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

What we never do

  • We never sell your information to third parties.
  • We never train models on what you upload.
  • We never keep your work after you delete it.
  • We never share keys with any outside firm.
  • We never run ads inside the product.

Plans in plain words

We sell credits, not seats.

One credit covers one short job.

Long jobs use a few credits each.

You can top up at any time.

Unused credits roll over each month.

Read the plans page for current rates.

Who built this

A small team of engineers and lawyers built this.

We ship from Europe and work in the open.

Our founder note spells out why we started.

Where to start

How the parts fit

A browser add-on cleans text inside Chrome.

A Word plug-in handles drafts in Office.

A small desktop tool works on whole folders.

An agent protocol link feeds large models safely.

All four share one core engine and one rule set.

Words from our team

We started this work after a lunch about cookies.

One friend kept getting odd ads on her phone.

We asked why a court file leaked through a draft.

We sketched the first build on a napkin that week.

By month three we had a tiny demo for a friend.

She used it on her first case the next day.

Common questions we hear

Can the tool read scanned PDFs? Yes, with OCR.

Does it work on long files? Yes, in small chunks.

Can I roll my own rule set? Yes, save it as a preset.

Does it run offline? The desktop build runs offline.

Do you keep my files? No, the cloud build wipes after each run.

Will it learn from my work? No, we never train on inputs.

A short tour of the workflow

Upload a file or paste a snippet of prose.

Pick the entities you want gone from the draft.

Choose a method: replace, mask, hash, encrypt, or redact.

Press run and watch the side panel show each hit.

Skim the result and tweak any rule that misfired.

Save the cleaned file or send it to a teammate.