Nous présentons une méthode statistique de classification de données IRM multiparamétriques permettant la détection de valeurs atypiques et la réalisation d'un dictionnaire de signatures de tumeurs. Cette approche cherche à rassembler les observations en classes issues de lois de Student généralisées. Cela permet d'attribuer un poids à chaque observation dans chaque dimension de façon à pondérer l'influence des valeurs atypiques sur la forme des groupes. Des rats porteurs de gliomes 9L (n=5), C6 (provenant de deux laboratoires ; n=6 et 13), et F98 (n=13) ont été imagés par IRM multiparamétrique (coefficient de diffusion apparent, volume et débit sanguin cérébral, perméabilité des vaisseaux, et taux d'oxygénation des tissus). Des régions d'intérêts (ROI : 1 tumeur, 2 saines) ont été manuellement délimitées sur les images anatomiques, puis reportées sur les cartes paramétriques. Les voxels de toutes les ROI ont été rassemblés et classifiés, à l’aide d’un mélange de lois de Student multivariées généralisées, de façon à regrouper les pixels présentant des caractéristiques micro-vasculaires similaires. Le nombre de classes est obtenu par minimisation du critère d'information bayésien. La classification que nous avons obtenue est plus précise celle précédemment publiée (moyennes moins élevées et les variances réduites). Nous utilisons la proportion en classe au sein d'une ROI pour déduire la signature de chaque ROI. Toutes les ROI saines présentent une signature similaire : ceci permet de détecter un rat atypique. Au contraire, les ROI tumeurs sont très dissemblables (même pour les deux C6). Nos résultats montrent qu'il est possible de discriminer automatiquement les tissus sains des tissus tumoraux (97% de vraies prédictions). L'utilisation d'un mélange de lois de Student généralisées nous a permis de i) détecter et d'écarter un rat atypique et ii) construire des signatures pour chaque ROI avec un fort pouvoir discriminant pour les quatre modèles de tumeurs.