Le sujet principal de cette thèse est le recalage d'informations issues d'images TEP (Tomographie par Emission de Positons) et CT (Computed Tomography, tomodensitométrie) pour localiser, avec une bonne qualité et de façon robuste, les tumeurs situées dans les régions thoraciques. Pour cela des informations a priori sur l'anatomie et l'agencement des organes dans le corps sont intégrées à différents niveaux. Une première étape consiste à segmenter les organes visibles dans les deux modalités en exploitant pour cela leur agencement spatial structurel et les connaissances a priori sur l'anatomie. En particulier, nous avons développé une méthode originale pour segmenter le cœur sur les images CT non-contrastées. Le noyau principal de cette thèse est la méthode de recalage avec contraintes que nous avons développée. Cette approche s'appuie sur des marqueurs, définis automatiquement sur les surfaces des poumons, et sur des contraintes de rigidité sur les pathologies. Les contraintes de rigidité sur les tumeurs garantissent que l'on ne perd pas les informations sur leur forme et leurs niveaux de gris fournies par l'image TEP. Une autre des originalités de cette thèse est l'introduction d'un modèle de respiration dynamique dans la méthode de recalage. Cet apport semble extrêmement intéressant car il permettra de trouver la trajectoire que suit la tumeur pendant le cycle respiratoire et, de cette façon, le recalage pourra être fait avec une meilleure précision.

L’évaluation de la gravité et la surveillance des maladies pulmonaires chroniques représentent deux challenges importants pour la prise en charge des patients et l’évaluation des traitements. La surveillance repose principalement sur les données fonctionnelles respiratoires mais l’évaluation morphologique reste un point essentiel pour le diagnostic et l’évaluation de sévérité. Dans la première partie de cette thèse, nous proposons différents modèles pour quantifier la sévérité de pathologies bronchiques chroniques au scanner. Une approche simple par seuillage adaptatif et une méthode plus sophistiquée de radiomique sont évaluées Dans la seconde partie, nous évaluons une méthode d’apprentissage profond pour contourer automatiquement l’atteinte fibrosante de la sclérodermie en scanner. Nous combinons le recalage élastique vers différents atlas morphologiques thoraciques et l’apprentissage profond pour développer un modèle dont les performances sont équivalentes à celles des radiologues. Dans la dernière partie, nous démontrons que l’étude de la déformation pulmonaire en IRM entre inspiration et expiration peut être utilisée pour repérer les régions pulmonaires en transformation fibreuse, moins déformables au cours de la respiration, et qu’en scanner, l’évaluation de la déformation entre des examens successifs de suivi peut diagnostiquer l’aggravation fibreuse chez les patients sclérodermiques. / Disease staging and monitoring of chronic lung diseases are two major challenges for patient care and evaluation of new therapies. Monitoring mainly relies on pulmonary function testing but morphological assessment is a key point for diagnosis and staging In the first part, we propose different models to score bronchial disease severity on computed tomography (CT) scan. A simple thresholding approach using adapted thresholds and a more sophisticated machine learning approach with radiomics are evaluated In the second part, we evaluate deep learning methods to segment lung fibrosis on chest CT scans in patients with systemic sclerosis. We combine elastic registration to atlases of different thoracic morphology and deep learning to produce a model performing as well as radiologists In the last part of the thesis, we demonstrate that lung deformation assessment between inspiratory and expiratory magnetic resonance images can be used to depict fibrotic lung areas, which show less deformation during respiration and that CT assessment of lung deformation on serial CT scans can be used to diagnose lung fibrosis worsening