Un problème majeur du cancer est l'apparition de métastases, difficiles à détecter par l'imagerie médicale et qui peuvent progresser rapidement. Par le biais de la modélisation mathématique, nous espérons développer de nouveaux outils capables d'anticiper l'état métastatique d'un patient.Les deux premières parties de cette thèse sont dédiées au développement d'un tel outil, l'objectif étant sonutilisation chez l'animal voire en clinique. Dû aux variabilités intra- et inter-individuelles, nous sommes amenés à utiliser des modèles statistiques coûteux en temps de calcul.Dans la partie 1, nous étendons une approche introduite par Iwata et al. et développée dans l'équipe. Nousproposons une résolution numérique plus efficace basée sur la reformulation du modèle sous formed'équation intégrale de Volterra de type convolution, qui s'avère également utile pour montrer despropriétés théoriques du modèle. En outre, nous étudions une extension stochastique de ce modèle déterministe.Dans la partie 2, nous montrons que notre approche est adaptée à la description de données souris. Utilisant le cadre statistique des modèles nonlinéaires à effets mixtes, nous construisons un modèle métastatique identifiable à partir des données et nous interprétons les résultats biologiquement.La partie 3 regroupe des résultats issus de collaborations avec des biologistes. Nous avons commencé àmodéliser la croissance tumorale à partir d'observations par imagerie SPECT en utilisant un modèle deGyllenberg et Webb. D'autre part, afin d'améliorer la précision des observations SPECT, nous testons des techniques dedétection de contours via des méthodes volumes finis basées sur des schémas DDFV. / Metastasis is one of the major problems of cancer because metastases areoften difficult to detect by clinical imaging and may develop rapidly. With the help of mathematical modelling, we hope to developnew tools capable of anticipating the metastatic state of a patient.The first two parts of this thesis are dedicated to developing such a tool, destined for a preclinical oreven clinical use. As tumour growth dynamics vary strongly between individuals and since observations are often sparse andnoisy, we need to consider computationally expensive statistical tools.In the first part, we extend an approach introduced by Iwata et al. and developed by Barbolosi et al. In particular, wepropose a more efficient numerical resolution based on a model reformulation into a Volterra integral equation of convolutiontype. This reformulation also permits to prove theoretical model properties (regularity and identifiability). Moreover, we study a stochastic generalisation of this deterministic model.In the second part, we will show that our approach is suitable for the description of experimental data on tumour-bearing mice.Using the statistical framework of nonlinear mixed-effects modelling, we build a metastatic model that is identifiable fromour data. We then interpret the results biologically.The last part of this thesis contains several results obtained in collaboration with biologists. We have started to model tumourgrowth with data obtained from SPECT imaging, using a model by Gyllenberg and Webb. Also, in order to improve the precision ofSPECT data, we have tested contour detection methods via finite volume methods based on DDFV schemes.

On présente une nouvelle approche de simulation pour la fonction de densité conjointe du surplus avant la ruine et du déficit au moment de la ruine, pour des modèles de risque déterminés par des subordinateurs de Lévy. Cette approche s'inspire de la décomposition "Ladder height" pour la probabilité de ruine dans le Modèle Classique. Ce modèle, déterminé par un processus de Poisson composé, est un cas particulier du modèle plus général déterminé par un subordinateur, pour lequel la décomposition "Ladder height" de la probabilité de ruine s'applique aussi. La Fonction de Pénalité Escomptée, encore appelée Fonction Gerber-Shiu (Fonction GS), a apporté une approche unificatrice dans l'étude des quantités liées à l'événement de la ruine été introduite. La probabilité de ruine et la fonction de densité conjointe du surplus avant la ruine et du déficit au moment de la ruine sont des cas particuliers de la Fonction GS. On retrouve, dans la littérature, des expressions pour exprimer ces deux quantités, mais elles sont difficilement exploitables de par leurs formes de séries infinies de convolutions sans formes analytiques fermées. Cependant, puisqu'elles sont dérivées de la Fonction GS, les expressions pour les deux quantités partagent une certaine ressemblance qui nous permet de nous inspirer de la décomposition "Ladder height" de la probabilité de ruine pour dériver une approche de simulation pour cette fonction de densité conjointe. On présente une introduction détaillée des modèles de risque que nous étudions dans ce mémoire et pour lesquels il est possible de réaliser la simulation. Afin de motiver ce travail, on introduit brièvement le vaste domaine des mesures de risque, afin d'en calculer quelques unes pour ces modèles de risque. Ce travail contribue à une meilleure compréhension du comportement des modèles de risques déterminés par des subordinateurs face à l'éventualité de la ruine, puisqu'il apporte un point de vue numérique absent de la littérature. / We discuss a simulation approach for the joint density function of the surplus prior to ruin and deficit at ruin for risk models driven by Lévy subordinators. This approach is inspired by the Ladder Height decomposition for the probability of ruin of such models. The Classical Risk Model driven by a Compound Poisson process is a particular case of this more generalized one. The Expected Discounted Penalty Function, also referred to as the Gerber-Shiu Function (GS Function), was introduced as a unifying approach to deal with different quantities related to the event of ruin. The probability of ruin and the joint density function of surplus prior to ruin and deficit at ruin are particular cases of this function. Expressions for those two quantities have been derived from the GS Function, but those are not easily evaluated nor handled as they are infinite series of convolutions with no analytical closed form. However they share a similar structure, thus allowing to use the Ladder Height decomposition of the Probability of Ruin as a guiding method to generate simulated values for this joint density function. We present an introduction to risk models driven by subordinators, and describe those models for which it is possible to process the simulation. To motivate this work, we also present an application for this distribution, in order to calculate different risk measures for those risk models. An brief introduction to the vast field of Risk Measures is conducted where we present selected measures calculated in this empirical study. This work contributes to better understanding the behavior of subordinators driven risk models, as it offers a numerical point of view, which is absent in the literature.

On présente une nouvelle approche de simulation pour la fonction de densité conjointe du surplus avant la ruine et du déficit au moment de la ruine, pour des modèles de risque déterminés par des subordinateurs de Lévy. Cette approche s'inspire de la décomposition "Ladder height" pour la probabilité de ruine dans le Modèle Classique. Ce modèle, déterminé par un processus de Poisson composé, est un cas particulier du modèle plus général déterminé par un subordinateur, pour lequel la décomposition "Ladder height" de la probabilité de ruine s'applique aussi. La Fonction de Pénalité Escomptée, encore appelée Fonction Gerber-Shiu (Fonction GS), a apporté une approche unificatrice dans l'étude des quantités liées à l'événement de la ruine été introduite. La probabilité de ruine et la fonction de densité conjointe du surplus avant la ruine et du déficit au moment de la ruine sont des cas particuliers de la Fonction GS. On retrouve, dans la littérature, des expressions pour exprimer ces deux quantités, mais elles sont difficilement exploitables de par leurs formes de séries infinies de convolutions sans formes analytiques fermées. Cependant, puisqu'elles sont dérivées de la Fonction GS, les expressions pour les deux quantités partagent une certaine ressemblance qui nous permet de nous inspirer de la décomposition "Ladder height" de la probabilité de ruine pour dériver une approche de simulation pour cette fonction de densité conjointe. On présente une introduction détaillée des modèles de risque que nous étudions dans ce mémoire et pour lesquels il est possible de réaliser la simulation. Afin de motiver ce travail, on introduit brièvement le vaste domaine des mesures de risque, afin d'en calculer quelques unes pour ces modèles de risque. Ce travail contribue à une meilleure compréhension du comportement des modèles de risques déterminés par des subordinateurs face à l'éventualité de la ruine, puisqu'il apporte un point de vue numérique absent de la littérature. / We discuss a simulation approach for the joint density function of the surplus prior to ruin and deficit at ruin for risk models driven by Lévy subordinators. This approach is inspired by the Ladder Height decomposition for the probability of ruin of such models. The Classical Risk Model driven by a Compound Poisson process is a particular case of this more generalized one. The Expected Discounted Penalty Function, also referred to as the Gerber-Shiu Function (GS Function), was introduced as a unifying approach to deal with different quantities related to the event of ruin. The probability of ruin and the joint density function of surplus prior to ruin and deficit at ruin are particular cases of this function. Expressions for those two quantities have been derived from the GS Function, but those are not easily evaluated nor handled as they are infinite series of convolutions with no analytical closed form. However they share a similar structure, thus allowing to use the Ladder Height decomposition of the Probability of Ruin as a guiding method to generate simulated values for this joint density function. We present an introduction to risk models driven by subordinators, and describe those models for which it is possible to process the simulation. To motivate this work, we also present an application for this distribution, in order to calculate different risk measures for those risk models. An brief introduction to the vast field of Risk Measures is conducted where we present selected measures calculated in this empirical study. This work contributes to better understanding the behavior of subordinators driven risk models, as it offers a numerical point of view, which is absent in the literature.