Nous ciblons la génération d'images synthétiques d'infarctus du myocarde, dont la distribution correspond à celle d'une population réelle, pour laquelle nous disposons des images segmentées (IRM après injection de gadolinium) pour 123 patients. Ce problème de personnalisation est difficilement formulable analytiquement, en particulier pour des modèles incluant une partie aléatoire. Néanmoins, il peut être résolu par des algorithmes d'optimisation sans gradient comme la méthode CMA-ES et une métrique appropriée pour comparer les distributions de la population synthétique et réelle. Nous démontrons sa pertinence pour la personnalisation de modèles géométriques simples d'infarctus (elliptique et sphérique itératif), avec un focus spécifique sur la stabilité de l'optimisation par rapport aux hyperparamètres et à l'initialisation. Nos résultats confirment que cette stratégie de personnalisation est réalisable, dans les limites du réalisme des modèles retenus.