La Tomographie Calculée (CT) est une technique non-invasive permettant de fournir des images de toutes les parties du corps humain sans superposition des structures adjacentes. Cette technique se base sur l'absorption de rayon X et permet la reconstruction d'images du corps humain. Les mesures avec CT à rayons X sont soumises à de nombreuses imperfections ou d'artefacts d'images qui comportent : bruit quantique, diffusion des rayons X par le patient, et des effets non linéaires de volume. Le traitement d'image est un outil indispensable pour améliorer le contraste et extraire d'une manière automatique les régions d'intérêts. L'analyse des données d'images CT est une aide à la décision pour l'apparition d'un cancer en phase naissante. La segmentation automatique de la tomographie calculée (CT) est une étape importante pour la chirurgie assistée qui requière à la fois une grande précision et une interaction minimale de l'utilisateur. Les tentatives d'utilisations de la segmentation, comprenant le seuillage (global et optimal), le filtrage, la segmentation par région de type watershead, et l'approche basée sur les contours actifs, ne sont pas pleinement satisfaisantes. Dans cette thèse, nous nous intéressons aux techniques d'extraction automatique des régions représentant les zones cancéreuses dans des images obtenues par la CT. Un nouvel algorithme basé sur la programmation dynamique, est proposé pour l'ajustement automatique des paramètres des contours actifs. Dans notre nouvelle approche, nous utilisons l'entropie pour l'estimation des paramètres alpha et beta de l'énergie interne. Pour obtenir des images pour l'identification des régions malignes, qui soient de meilleure qualité en terme de contraste, nous avons utilisé la fusion d'images à partir de la Transformée en ondelettes. Toutes ces méthodes ont été implémentées sous forme de plugins dans le logiciel GIMP. / Computed Tomography (CT) is a non-invasive technique which provides images of the human body without superposing adjacent structures. This technique is based on the absorption of X-rays by the human body. Analysis from X-ray absorption is subject to a variety of imperfections and image artifacts including quantum noise, X-rays scattered by the patient (absorptive environment), beam hardening, and nonlinear volume effects. Image processing is a crucial tool for contrast enhancement and region analysis. Analysis of CT images is a decision-making tool for cancer formation at an incipient phase. Segmentation of computed tomography (CT) images is an important step in image-guided surgery that requires both high accuracy and minimal user interaction. Previous attempts include thresholding (global and optimal), region growing (region competition, watershed segmentation), edge tracing, and parametric active contour (AC) approaches for segmentation, are not fully satisfying. In this dissertation we have been interested in the CT image processing methods to detect and analyze cancerous regions in phase II and III. A new algorithm, which hinges on dynamic programming, has been proposed for automatically extracting region of interest using adapted active contours. In our new approach, Entropy is used to estimate the parameters alpha and beta of the active contour internal energy. In order to enhance the image quality in terms of contrast and to understand more the regions of interest, image fusion is used. Image fusion is a process of combining multiple images into a single image containing more relevant information. We use Wavelet Transform and a specific Fusion Rule to identify and select relevant information of the process. All these methods have been implemented as plugins in GIMP software.