Cette thèse aborde l'aide du pronostic basée sur l'image et les ontologies médicales, en utilisant la représentation des connaissances et le raisonnement pour les très grandes images microscopiques. Une application médicale particulière dans laquelle une assistance de type pronostic est nécessaire est la graduation du cancer du sein. Même si cela est considéré comme un outil d'évaluation essentiel dans la pratique de pathologie moderne, les principaux problèmes posés par la procédure manuelle de pronostic sont : la nécessité des connaissances, attention et temps. D'autre part, le manque de représentation sémantique formelle standardisée pour aider l'indexation et la classification de la terminologie, ainsi que l'utilisation d'un mécanisme d'inférence pour assister la graduation représentent des problématiques clé du domaine. Dans ce sens, cette étude propose une représentation formelle qualitative pour la graduation du cancer du sein ainsi qu'une ontologie d'application Breast Cancer Grading Ontology (BCGO) pour décrire les connaissances d'une manière cohérente. Une autre question que nous adressons en proposant l'ontologie est le fossé sémantique entre les concepts sémantiques de haut niveau et les caractéristiques de l'image de bas niveau. En plus, nous proposons un soutien de théorie spatiale pour la représentation des relations spatiales entre les concepts spécifiques à la graduation du cancer du sein. L'ontologie BCGO est intégré dans une plateforme microscopique cognitif virtuelle MICO pour l'exploration visuelle, l'indexation et l'extraction sémantique de l'image microscopique.