Le 19 mai 2016, à 14h, amphithéâtre P, UFR ISTIC- Bat. 12D, Campus de Beaulieu - Université de Rennes 1, M Frédéric Commandeur soutient sa thèse de doctorat, mention "Traitement du Signal et Télécommunications", intitulée " Fusion d'images multimodales pour la caractérisation du cancer de la prostate", devant le Jury composé de Mme Carole LARTIZIEN, CR CNRS, CREATIS, Université Lyon 1 / Rapporteu ; M Fabrice MERIAUDEAU, PU, LE2I, Université de Bourgogne / Rapporteur ; Jean-Yves BOIRE, PU-PH, ISIT, Université d'Auvergne Clermont 1 / Examinateur ; Renaud DE CREVOISIER, PU-PH, LTSI, Université de Rennes 1 / Directeur de thèse ; Oscar ACOSTA, MCU, LTSI, Université de Rennes 1 / Examinateur ; Antoine SIMON, MCU, LTSI, Université de Rennes 1 / Examinateur. Résumé : Cette these s'inscrit dans le contexte de la caracterisation du cancer de la prostate a partir de donneees d'imagerie multimodale. L'objectif est d'indenti er et de caracteriser les tumeurs prostatiques a partir d'observation in-vivo, incluant imagerie par resonance magnetique multiparametrique (IRMm), tomoden-sitometrie (TDM) et tomographie par emission de positons (TEP), avec une reference biologique sous forme de lames histologiques fournies par l'analyse anatomopathologique de la prostate apres prostatec-tomie radicale. Nous proposons dans un premier temps deux methodes de recalage a n de realiser la mise en correspondance des donnees multimodales dans un referentiel spatial commun de ni par l'IRM. Le premier algorithme s'attache a l'alignement des images TDM-TEP et IRM, en combinant information de contour et probabilite de presence de la prostate. Le second a pour objectif de recaler les images histologiques et IRM. En suivant le protocole de Stanford, la piece de prostatectomie est decoupee plus nement fournissant ainsi plus de lames histologiques qu'en routine clinique. Leur correspondance avec les coupes IRM est alors estimee a l'aide de l'information a priori de la decoupe et de points saillants (SURF) extraits dans les deux modalites. Cette initialisation sert de base a un recalage ane puis non-rigide base sur des cartes de distance obtenues a partir des structures intraprostatiques. Dans un second temps, des caracteristiques structurelles (Haralick, Haar, Gabor, etc) et fonctionnelles (Ktrans, Kep, SUV, etc) sont extraites en chaque voxel de la prostate a partir des images IRM et TEP. A ces vecteurs de caracteristiques sont associes les labels biologiques correspondant obtenus lors de l'analyse anatomo-pathologique. Parmi ces labels, nous disposons d'un score d'agressivite appele score de Gleason et de scores immunohistochimiques quanti ant certains aspects biologiques des tissus, tels que l'angiogenest et la proliferation cellulaire. Finalement, ces couples (vecteurs de caracteristiques/informations biologiques) servent de donnees d'apprentissage a l'entrainement de classi eurs, tels que les for^ets aleatoires (RF) et les machines a vecteurs de supports (SVM), utilises par la suite pour caracteriser les tumeurs a partir de nouvelles observations in-vivo. Dans ces travaux, nous realisons une etude de faisabilite sur huit patients. -- This thesis concerns the prostate cancer characterization based on multimodal imaging data. The purpose is to identify and characterize the tumors using in-vivo observations including mMRI and PET-CT, with a biological reference obtained from anatomopathological analysis of radical prostatectomy specimen providing histological slices. Firstly, we propose two registration methods to match the multimodal images in the the spatial reference de ned by MRI. The rst algorithm aims at aligning PET-CT images with MRI by combining contours information and presence probability of the prostate. The objective of the second is to register the histological slices with the MRI. Based on the Stanford protocol, a thinner cutting of the radical prostatectomy specimen is done providing more slices compared to clinical routine. The correspondance between histological and MRI slices is then estimated using a combination of the prior information of the slicing and salient points (SURF) extracted in both modalities. This initialization step allows for an ane and non-rigid registration based on intraprostatic structure distance maps. Secondly, structural (Haralick, Haar, Garbor, etc) and functional (Ktrans, Kep, SUV, etc) descriptors are extracted for each prostate voxel over MRI and PET images. Corresponding biological labels obtained from the anatomopathological analysis are associated to the features vectors. The biological labels are composed by the Gleason score providing an information of aggressiveness and immunohistochemistry grades providing a quanti cation of biological process such as angiogenesis and cell growth. Finally, these pairs (features vectors/biological information) are used as training data to build RF and SVM classi ers to characterize tumors from new in-vivo observations. In this work, we perform a feasibility study with eight patients.