La compréhension des mécanismes impliqués dans les cas sains, les maladies neurodégénératives ainsi que le développement de nouvelles approches thérapeutiques repose sur l’utilisation de modèles expérimentaux pertinents et de techniques d’imagerie adaptées. Dans ce contexte, la microscopie virtuelle offre la possibilité unique d’analyser ces modèles à l’échelle cellulaire avec une très grande variété de marquages histologiques. Mon projet de thèse consiste à mettre en place et à appliquer une méthode d’analyse d’images histologiques en couleur permettant de segmenter et de synthétiser l’information relative aux neurones à l’aide de l’anticorps NeuN sur des coupes de cerveau de macaque. Dans ce travail, nous appliquons d’abord la méthode de Random Forest (RF) pour segmenter les neurones ainsi que le tissu et le fond. Ensuite, nous proposons une méthode originale pour séparer les neurones qui sont accolés afin de les individualiser. Cette méthode s’adapte à l’ensemble des neurones présentant une taille variable (diamètre variant entre 5 et 30 μm). Elle est également efficace non seulement pour des régions dites « simples » caractérisées par une faible densité de neurones mais aussi pour des régions dites « complexes » caractérisées par une très forte densité de plusieurs milliers de neurones. Le travail suivant se concentre sur la création de cartes paramétriques synthétisant la morphologie et la distribution des neurones individualisés. Pour cela, un changement d’échelle est mis en œuvre afin de produire des cartographies présentant des résolutions spatiales plus faibles (résolution originale de 0,22 μm et cartographies créées proposant une résolution spatiale adaptative de quelques dizaines à quelques centaines de micromètres). Plusieurs dizaines de paramètres morphologiques (rayon moyen, surface, orientation, etc.) sont d’abord calculés pour chaque neurone ainsi que des paramètres colorimétriques. Ensuite, il est possible de synthétiser ces informations sous la forme de cartes paramétriques à plus basse résolution à l’échelle de régions anatomiques, de coupes voire, à terme, de cerveaux entiers. Cette étape transforme des images microscopiques qualitatives couleur en images mésoscopiques quantitatives, plus informatives et plus simples à analyser. Ce travail permet d’analyser statistiquement de très grands volumes de données, de synthétiser l’information sous la forme de cartographies quantitatives, d’analyser des problèmes extrêmement complexes tels que la mort neuronale et à terme de tester de nouveaux médicaments voire de confronter ces informations acquises post mortem avec des données acquises in vivo. / Understanding the mechanisms involved in healthy cases, neurodegenerative diseases and the development of new therapeutic approaches is based on the use of relevant experimental models and appropriate imaging techniques. In this context, virtual microscopy offers the unique possibility of analyzing these models at a cellular scale with a very wide variety of histological markers. My thesis project consists in carrying out and applying a method of analyzing colored histological images that can segment and synthesize information corresponding to neurons using the NeuN antibody on sections of the macaque brain. In this work, we first apply the Random Forest (RF) method to segment neurons as well as tissue and background. Then, we propose an original method to separate the touching or overlapping neurons in order to individualize them. This method is adapted to process neurons presenting a variable size (diameter varying between 5 and 30 μm). It is also effective not only for so-called "simple" regions characterized by a low density of neurons but also for so-called "complex" regions characterized by a very high density of several thousands of neurons. The next work focuses on the creation of parametric maps synthesizing the morphology and distribution of individualized neurons. For this purpose, a multiscale approach is implemented in order to produce maps with lower spatial resolutions (0.22 μm original resolution and created maps offering adaptive spatial resolution from a few dozens to a few hundred of micrometers). Several dozens of morphological parameters (mean radius, surface, orientation, etc.) are first computed as well as colorimetric parameters. Then, it is possible to synthesize this information in the form of lower-resolution parametric maps at the level of anatomical regions, sections and even, eventually, the entire brains. This step transforms qualitative color microscopic images to quantitative mesoscopic images, more informative and easier to analyze. This work makes it possible to statistically analyze very large volumes of data, to synthesize information in the form of quantitative maps, to analyze extremely complex problems such as neuronal death, to test new drugs and to compare this acquired information post mortem with data acquired in vivo.