Les maladies coronariennes constituent l'ensemble des troubles affectant les artères coronaires. Elles sont la première cause mondiale de mortalité. Par conséquent, la détection précoce de ces maladies en utilisant des techniques peu invasives fournit un meilleur résultat thérapeutique, et permet de réduire les coûts et les risques liés à une approche interventionniste. Des études récentes ont montré que la tomodensitométrie peut être utilisée comme une alternative non invasive et fiable pour localiser et quantifier ces lésions. Cependant, l'analyse de ces examens, basée sur l'inspection des sections du vaisseau, reste une tâche longue et fastidieuse. Une haute précision est nécessaire, et donc seulement les cliniciens hautement expérimentés sont en mesure d'analyser et d'interpréter de telles données pour établir un diagnostic. Les outils informatiques sont essentiels pour réduire les temps de traitement et assurer la qualité du diagnostic. L'objectif de cette thèse est de fournir des outils automatisés de traitement d'angiographie CT, pour la visualisation et l'analyse des artères coronaires d'une manière non invasive. Ces outils permettent aux pathologistes de diagnostiquer et évaluer efficacement les risques associés aux maladies cardio-vasculaires tout en améliorant la qualité de l'évaluation d'un niveau purement qualitatif à un niveau quantitatif. Le premier objectif de ce travail est de concevoir, analyser et valider un ensemble d'algorithmes automatisés utiles pour la détection et la quantification de sténoses des artères coronaires. Nous proposons un nombre de techniques couvrant les différentes étapes de la chaîne de traitement vers une analyse entièrement automatisée des artères coronaires. Premièrement, nous présentons un algorithme dédié à l'extraction du cœur. L'approche extrait le cœur comme un seul objet, qui peut être utilisé comme un masque d'entrée pour l'extraction automatisée des coronaires. Ce travail élimine l'étape longue et fastidieuse de la segmentation manuelle du cœur et offre rapidement une vue claire des coronaires. Cette approche utilise un modèle géométrique du cœur ajusté aux données de l'image. La validation de l'approche sur un ensemble de 133 examens montre l'efficacité et la précision de cette approche. Deuxièmement, nous nous sommes intéressés au problème de la segmentation des coronaires. Dans ce contexte, nous avons conçu une nouvelle approche pour l'extraction de ces vaisseaux, qui combine ouvertures par chemin robustes et filtrage sur l'arbre des composantes connexes. L'approche a montré des résultats prometteurs sur un ensemble de 11 examens CT. Pour une détection et quantification robuste de la sténose, une segmentation précise de la lumière du vaisseau est cruciale. Par conséquent, nous avons consacré une partie de notre travail à l'amélioration de l'étape de segmentation de la lumière, basée sur des statistiques propres au vaisseau. La validation avec l'outil d'évaluation en ligne du challenge de Rotterdam sur la segmentation des coronaires, a montré que cette approche présente les mêmes performances que les techniques de l'état de l'art. Enfin, le cœur de cette thèse est consacré à la problématique de la détection et la quantification des sténoses. Deux approches sont conçues et évaluées en utilisant l'outil d'évaluation en ligne de l'équipe de Rotterdam. La première approche se base sur l'utilisation de la segmentation de la lumière avec des caractéristiques géométriques et d'intensité pour extraire les sténoses coronaires. La seconde utilise une approche basée sur l'apprentissage. Durant cette thèse, un prototype pour l'analyse automatisée des artères coronaires et la détection et quantification des sténoses a été développé. L'évaluation qualitative et quantitative sur différents bases d'examens cardiaques montre qu'il atteint le niveau de performances requis pour une utilisation clinique / Coronary heart diseases are the group of disorders that affect the coronary artery vessels. They are the world's leading cause of mortality. Therefore, early detection of these diseases using less invasive techniques provides better therapeutic outcome, as well as reduces costs and risks, compared to an interventionist approach. Recent studies showed that X-ray computed tomography (CT) may be used as an alternative to accurately locate and grade heart lesions in a non invasive way. However, analysis of cardiac CT exam for coronaries lesions inspection remains a tedious and time consuming task, as it is based on the manual analysis of the vessel cross sections. High accuracy is required, and thus only highly experienced clinicians are able to analyze and interpret the data for diagnosis. Computerized tools are critical to reduce processing time and ensure quality of diagnostics. The goal of this thesis is to provide automated coronaries analysis tools to help in non-invasive CT angiography examination. Such tools allow pathologists to efficiently diagnose and evaluate risks associated with CVDs, and to raise the quality of the assessment from a purely qualitative level to a quantitative level. The first objective of our work is to design, analyze and validate a set of automated algorithms for coronary arteries analysis with the final purpose of automated stenoses detection and quantification. We propose different algorithms covering different processing steps towards a fully automated analysis of the coronary arteries. Our contribution covers the three major blocks of the whole processing chain and deals with different image processing fields. First, we present an algorithm dedicated to heart volume extraction. The approach extracts the heart as one single object that can be used as an input masque for automated coronary arteries segmentation. This work eliminates the tedious and time consuming step of manual removing obscuring structures around the heart (lungs, ribs, sternum, liver...) and quickly provides a clear and well defined view of the coronaries. This approach uses a geometric model of the heart that is fitted and adapted to the image data. Quantitative and qualitative analysis of results obtained on a 114 exam database shows the efficiency and the accuracy of this approach. Second, we were interested to the problem of coronary arteries enhancement and segmentation. In this context, we first designed a novel approach for coronaries enhancement that combines robust path openings and component tree filtering. The approach showed promising results on a set of 11 CT exam compared to a Hessian based approach. For a robust stenoses detection and quantification, a precise and accurate lumen segmentation is crucial. Therefore, we have dedicated a part of our work to the improvement of lumen segmentation step based on vessel statistics. Validation on the Rotterdam Coronary Challenge showed that this approach provides state of the art performances. Finally, the major core of this thesis is dedicated to the issue of stenosis detection and quantification. Two different approaches are designed and evaluated using the Rotterdam online evaluation framework. The first approach get uses of the lumen segmentation with some geometric and intensity features to extract the coronary stenosis. The second is using a learning based approach for stenosis detection and stenosis. The second approach outperforms some of the state of the art works with reference to some metrics. This thesis results in a prototype for automated coronary arteries analysis and stenosis detection and quantification that meets the level of required performances for a clinical use. The prototype was qualitatively and quantitatively validated on different sets of cardiac CT exams