Le cancer du sein est l’une des pathologies les plus fréquentes dans le monde entier. Cette maladie est la première cause de décès chez les femmes de 35 à 70 ans. La croissance des cas de ce type de cancer, ainsi que le grand nombre d’examens d’imagerie effectués dans les dernières années a permis de développer et d’automatiser de nombreuses techniques d’imagerie médicale. Les examens d’imagerie par résonance magnétique (IRM) constituent un grand intérêt pour les radiologues. Cette modalité permet d’avoir un suivi temporel de la tumeur du sein grâce au grand nombre d’informations produites par ses différentes sous-modalités. Dans ce travail, l’objectif principal est d’aider les cancérologues à prédire la réponse tumorale d’un cancer du sein à la chimiothérapie. Techniquement, cela peut s’effectuer par la comparaison des examens IRM d’avant et après la première chimiothérapie. Cela permet d’aider à prendre une décision rapide dès le début de la thérapie. Afin d’atteindre cet objectif, nous avons mené une recherche approfondie dans la littérature liée aux approches classiques d’imagerie. Cette recherche a permis de proposer et implémenter une première méthode appelée la cartographie de la réponse paramétrique (Parametric Response Map : PRM). Cette méthode se base sur deux étapes principales : la segmentation et le recalage tridimensionnel des images acquises avant et après la première chimiothérapie. Ceci permet d’obtenir une comparaison voxel par voxel du volume de la tumeur. Le résultat de la PRM est une cartographie en couleurs facile à lire. Cette carte permet d’identifier trois régions avec leurs pourcentages. Il s’agit des régions intra-tumorales ayant répondu au traitement (réponse positive), des régions n’ayant pas répondu (réponse stable) et des régions qui ont connu une progression d’agressivité (réponse négative). Ensuite, les techniques d’apprentissage profond par réseaux de neurones profonds (Deep Learning) sont proposées pour la segmentation du volume tumoral et la prédiction de la réponse d’un cancer du sein à la chimiothérapie. Afin d’automatiser ce processus, deux bases de données fournies par plusieurs instituts et hôpitaux internationaux ont été utilisées. Les résultats prometteurs de cette étude montrent une valeur de précision de 89% en utilisant la méthode PRM, et une moyenne de précision de 93% pour l’apprentissage profond. De plus, l’explication visuelle des résultats obtenus par le Deep Learning a montré une grande cohérence avec les résultats trouvés par les oncologues. Ces résultats se situent au-dessus de ce qui est présenté dans la littérature. La référence standard utilisée pour valider toutes les méthodes proposées est la réponse pathologique complète obtenue pour chaque patiente.