L’objectif de notre travail est le développement d’une méthode de détection du cancer de la prostate à partir de séquences IRM multiparamétriques. Dans cette thèse, nous détaillons les principales sources de difficultés dans le développement d’une telle méthode ainsi que les moyens de les surmonter. Le chapitre 2 traite de la variabilité inter-experts des estimations de volume et des segmentations zonales de la prostate, deux facteurs importants pour l’établissement du diagnostic et la construction des bases de données nécessaires à l’entraînement des méthodes automatiques. Nous exploitons une base de données de 40 cas pour lesquels 7 radiologues de différents niveaux ont fourni des segmentations zonales ainsi que des estimations de volume. Nous évaluons leurs différences en fonction de l’expérience des cliniciens, des méthodes d’estimation utilisées et de certaines caractéristiques des prostates considérées. Pour la génération des masques de segmentation, nous montrons que la variabilité est la plus élevée à l’apex et à la base de la prostate, et qu’elle est indépendante de l’expérience des radiologues. En outre, nous montrons que la méthode la plus robuste d’estimation du volume d’une prostate consiste à le calculer directement à partir de sa segmentation. Dans le chapitre 3, nous présentons une nouvelle méthode pour fusionner les masques de segmentation binaires fournis par plusieurs annotateurs en une seule segmentation consensuelle. L’algorithme MACCHIATO repose sur la combinaison de moyennes de Fréchet locales pour des distances bien choisies. Il diffère des deux principales méth- odes existantes de détermination du consensus (moyenne et STAPLE) sur deux points : contrairement à la moyenne, il n’est pas calculé au niveau du voxel, et contrairement à STAPLE, il est indépendant de la taille du fond. Nous présentons les différences entre les consensus produits par les trois méthodes et montrons que notre méthode peut être placée entre les deux autres méthodes en ce qui concerne la taille du consensus. En outre, nous effectuons une analyse approfondie de l’algorithme STAPLE et montrons ses limites, en particulier lorsque la taille du fond est importante. Le chapitre 4 présente une méthode basée sur un réseau neuronal profond et des mécanismes d’attention pour la segmentation zonale de la prostate à partir de séquences d’IRM T2 2D et/ou 3D. Nous évaluons notre méthode sur deux bases de données et montrons qu’elle se situe au même niveau que les méthodes de l’état de l’art pour la segmentation automatique et que les 7 radiologues disponibles, avec des perfomances similaires à ceux-ci sans les surpasser. Enfin, nous mesurons l’impact de notre méthode sur la détermination de la localisation des tumeurs, tant au niveau zonal que sectoriel, avec des résultats prometteurs sur leur précision de localisation. Dans le chapitre 5, nous étudions l’influence de la qualité des annotations et de la taille de l’ensemble de données sur une méthode de détection du cancer de la prostate. À cette fin, nous développons deux méthodes de pseudo-étiquetage basées sur des annotations faibles de la position des lésions extraites des informations radiologiques : la première basée sur le secteur de la prostate uniquement, et la seconde comprenant également des informations sur l’intensité et la taille. La méthode de détection des lésions est un réseau d’apprentissage profond prenant comme entrées l’IRM biparamétrique et la segmentation zonale. Ce réseau a été entraîné à l’aide de chaque méthode de pseudo-étiquetage sur un vaste ensemble de données faiblement annotées, avec ou sans l’inclusion d’un petit nombre de cas entièrement annotés. Nous comparons ces configurations au niveau du patient et de la lésion à un réseau entraîné uniquement sur un ensemble de données entièrement annotées. Enfin, nous discutons des domaines d’amélioration possibles et des défis qui restent à relever.