Les méningiomes font partie des tumeurs bénignes les plus courantes du système nerveux central. Moins dangereuses pour la santé que les tumeurs malignes, les cliniciens optent généralement pour un suivi clinique régulier plutôt que pour la mise en place d’un traitement ou d’une chirurgie pouvant s’avérer plus dangereux que la présence du méningiome. Dans ces travaux en collaboration forte avec la clinique, nous souhaitons étudier chaque étape du suivi du patient afin d’aider les chirurgiens dans leur prise de décision. La première phase, indispensable aux suivantes, implique l’acquisition d’images par IRM pour identifier et segmenter les tumeurs. Nous envisageons alors ici l’application d’algorithmes d’apprentissage profond pour automatiser cette segmentation, aujourd’hui faite par les cliniciens. Une cohorte de 319 patients, ainsi que leurs images et leurs masques de segmentation, sera utilisée à cet effet. Une première analyse révèlera des résultats prometteurs pour l’identification et la segmentation des méningiomes au sein de la cohorte. Nous comparerons l’architecture utilisée avec d’autres modèles et les travaux antérieurs dans la littérature. Une fois la tumeur segmentée et diagnostiquée, le patient est donc généralement suivi de manière régulière. à chaque consultation, le médecin réalise de nouvelles images permettant de suivre l’évolution de la tumeur dans le temps et la constitution d’une cohorte composée de données longitudinales. Le clinicien doit alors répondre entre autres à la question suivante : faut-il envisager une chirurgie ou bien continuer le suivi ? Une meilleure connaissance de la croissance des méningiomes permettrait d’orienter le chirurgien dans sa prise de décision. A cette fin, nous étudierons et comparerons différents modèles mathématiques basés sur des équations différentielles ordinaires (EDO), capables de modéliser la croissance tumorale. Diverses stratégies d’estimation paramétrique seront également évaluées principalement selon leur robustesse. Ce sont finalement les effets mixtes et le modèle de Gompertz qui se démarquent en fournissant de meilleurs résultats. Représenté par une forme de sigmoïde et caractérisé par une décroissance de son taux de croissance initial, le modèle de Gompertz apporte alors une information supplémentaire. A partir de celle-ci et afin d’essayer de fournir un suivi clinique propre à chaque patient, nous essaierons d’identifier les différentes phases de cette croissance mais aussi de prédire l’évolution des méningiomes. Des modélisations mécanistiques (EDO) ainsi que des méthodes d’apprentissage statistique et profond seront utilisées dans ce travail. Enfin, l’ensemble de cette approche sera testée sur d’autres types de tumeurs telles que les schwannomes, ou des méningiomes induits par la prise de traitements hormonaux.