Le recueil de données diverses issues de l'imagerie, de compétences expertes ou de signaux physiologiques est devenu courant pour l'étude d'une pathologie donnée. Leur exploitation est effectuée par le clinicien qui les analyse et les agrège en fonction de ses connaissances. La motivation de ce travail est de modéliser ce processus d'agrégation à l'aide de techniques empruntées à la fusion de données, dans le cadre d'études portant sur le cerveau. Le processus de fusion est décomposé en trois phases fondamentales. Nous modélisons tout d'abord les informations dans un cadre théorique commun. Le formalisme retenu est celui de la logique possibiliste, permettant de prendre en compte les ambiguïtés inh érentes aux données médicales. Nous proposons de modéliser d'une part la distribution des tissus cérébraux dans les images IRM, TEM et TEP par un algorithme de classification flou sur des vecteurs forme appropriés et d'autre part des informations issues de connaissances expertes. Nous agrégeons ensuite ces différentes informations par un opérateur de fusion. Celui-ci doit affirmer les redondances, gérer les complémentarités et prendre en compte les conflits soulignant souvent la présence d'une pathologie. Nous proposons alors trois modèles d'agrégation : la fusion d'images IRM, la fusion d'images anatomiques et fonctionnelles, et la fusion d'une image IRM et d'informations symboliques. Nous construisons enfin une information synthétique permettant d’exploiter les résultats de la fusion . Nous définissons pour chaque modèle une image permettant par exemple de proposer un diagnostic, d'établir un pronostic ou d'élaborer une aide thérapeutique. Quatre applications cliniques sont proposées en illustration : la quantification de volumes de tissus cérébraux, l'étude de la démence de type Alzheimer, l'étude de l'épilepsie et la localisation du noyau sous-thalamique pour le traitement de la maladie de Parkinson. Pour chacun de ces cas, outre les développements décrits auparavant, des modèles spécifiques à la pathologie étudiée sont proposés et une validation clinique des résultats est effectuée. Enfin, une application réalisée en collaboration avec la société SEGAMI, concrétisant et valorisant de façon industrielle ce travail, est présentée.

The collection of various data coming from imagery, expert knowledge or physiological signals is becoming very common for the study of a given pathology. The treatment of these data is performed by a physicist, who analyses and aggregates them according to his knowledge, and generally leads to a medical decision. The aim of this work is to model this aggregation process by means of a fusion technique, in the case of brain studies. The fusion process is divided into three steps: We first model the available information, numerical or symbolic, in a common theoretical frame. The possibilistic logic allows for the management of ambiguities and imprecision that are inherent to medical data. We thus propose to model on the one hand the distribution of cerebral tissues in anatomic (MR) and functional (SPECT and TEP) images by means of a fuzzy clustering algorithm on appropriate feature vectors, and on the other hand the symbolic information coming from expert knowledge. We then aggregate these information with a fusion operator. This operator has to affirm redundancy, manage the complementarities and also take into account conflicts, that often underline the presence of a pathology. We thus propose three models for three precise clinical cases: the fusion of MR images, the fusion of anatomical and functional images and the fusion of MR images with symbolic information. We finally propose a synthetic piece of information that allows to best represent the available data. We define for the threee previous models a resulting image that allows for example to propose a diagnosis, to establich a prognosis or to provide help for a surgical planning. Four clinical applications illustrate these concepts: brain tissue volumes quantification, study of Alzheimer’s disease, study of epilepsy and segmentation of the subthalamic nucleus in the treatment of Parkinson’s disease. For every case, besides the basic model previously described, we propose specific treatments and a clinical validation. An industrial application in collaboration with SEGAMI corporation, that finalizes and industrially increases this work, is finally presented.