L'imagerie par résonance magnétique (IRM) est couramment utilisée pour le diagnostic et le pronostic de la sclérose en plaques (SEP). L'analyse et l'extraction des informations de l’IRM pourraient être effectuées manuellement par des radiologues ou des experts dans le domaine, néanmoins, ces tâches sont fastidieuses, chronophages, nécessitent une expertise du domaine et sont sujettes à la variabilité inter-évaluateurs. Ainsi, l’automatisation des tâches d’analyse IRM a été envisagée pour faire face à ces limitations et traiter la grande quantité de données que nous rencontrons à l'ère du Big Data. Dans cette thèse, nous proposons des pipelines de bout en bout utilisant l’apprentissage profond pour analyser l’IRM et extraire des informations pertinentes pour la SEP. La suite d’outils comprend la segmentation des lésions de SEP, la segmentation/détection de nouvelles lésions et l'estimation du statut d'invalidité (EDSS) à partir de données IRM et clinico-démographiques. Lors de la conception de chaque pipeline, nous avons proposé des contributions méthodologiques qui ont résolu les différents défis techniques, tels que le biais de domaine, la rareté des données et le déséquilibre des données.
Nos pipelines sont hébergés sur volBrain, pour les rendre librement et facilement utilisables par la communauté MS sans avoir besoin de logiciels ou de matériel. Ce faisant, nos utilisateurs bénéficient de performances de pointe en quelques clics sur leur navigateur Web et obtiennent ainsi un rapport compact et facile à lire résumant les résultats.