Les organoides cérébraux (OC) sont des modèles récents et prometteurs pour le suivi du développement cérébral. Cependant, les biologistes manquent d’outils d'analyse automatique ou semi-automatique pour suivre leur développement in vitro, du fait de la faible quantité d’images disponibles actuellement. Dans ce contexte, cette thèse vise à automatiser l’extraction et à caractériser de façon adaptée la morphologie des organoïdes cérébraux sur de petits datasets d'images acquises en microscopie à divers stades de la croissance de ces cultures. Dans cet objectif, un petit dataset a été augmenté par divers réseaux adverses génératifs (GAN) et le meilleur d'entre eux au regard de critères psychovisuels, statistiques et, quantitatifs a été optimisé. Quel que soit l’optimisation utilisée pour générer des images, elle enrichit le dataset de manière constructive, excepté pour un groupe. De manière complémentaire, l’effet d’une variation du bruit par GAN pour générer des images plus proches des exceptions a été étudié, et les images générées ont été validées également automatiquement, statistiquement et psychovisuellement. Dans la continuité de cette première contribution, la forme des OC originels a été extraite par deep learning et nous montrons qu'une meilleure précision peut être obtenue si l’entraînement est réalisé par un GAN optimisé. L’architecture de l’extraction a été réduite pour l’adapter aux petits datasets. Enfin, grâce aux images segmentées, la morphologie des OC a pu être caractérisée par calcul d’indices morphologiques, mais également en déterminant leur empreinte par analyse de données topologiques. Caractériser un indice de leur développement (neuroépithéliums) en association avec un autre laboratoire serait une étape future comme la validation de cette approche sur d'autres cultures cérébrales et pour diverses modalités d’acquisition microscopiques.