Le cancer de la prostate est un problème de santé publique majeur. Seul un examen de biopsie prostatique permet d’établir définitivement le diagnostic de ce cancer. Durant cet examen, la navigation ainsi que la précision du ciblage des biopsies sont rendues complexes par la modalité échographique (US) couramment utilisée pour le guidage, et par de potentiels bougés ou déformations de la prostate. Ces éléments rendent le repérage et le ciblage des biopsies difficiles et imprécis, pouvant compromettre le diagnostic et les décisions thérapeutiques.Dans ce contexte, le principal objectif de cette thèse était de concevoir et développer un dispositif d’assistance à la navigation permettant à l’urologue de se repérer, en continu et avec précision, pour ainsi mieux visualiser la position de la biopsie qu’il cible. Pour cela, nous avons proposé des méthodes de recalage rigide 2D/3D en temps-réel, permettant de localiser la coupe 2D US courante (guidage) par rapport à un volume de référence US (pris en début de navigation). Les principales originalités de nos travaux étaient de considérer des informations liées à la trajectoire réalisée et de développer des approches fondées sur l’intelligence artificielle (par apprentissage profond), tout en respectant les conditions de réalisation clinique.En nous inspirant de la nature stéréotypée de la procédure de biopsie prostatique, nous avons étudié différentes formes et combinaisons d’informations, liées à la trajectoire réalisée, à fournir au modèle afin d’améliorer la qualité du recalage à prédire. Parmi les différents types de données d’entrées possibles, nous nous sommes particulièrement intéressés aux informations : positionnelles (résultats du recalage au pas de temps précédent, suivi de sonde, flot optique), spatiales (coupe voisine de l’image à localiser, volume ou sous-volume de référence), séquentielles (séquences de coupes) ou structurelles (masque binaire de segmentation). La bonne intégration de telles entrées à une architecture d’apprentissage profond nécessite de porter une attention particulière aux structures de réseaux utilisées (convolution, dynamique, attention, etc.) et aux types d’optimisations associées (simple, auto-pénalisation, multi-tâches). Quatre principales évolutions de notre étude ont donc été explorées selon la configuration et la combinaison des quatre types d’entrées précédemment citées.Afin de répondre aux limites des méthodes de validation existantes, nous avons proposé comme seconde contribution de cette thèse, un protocole de validation expérimentale qui respecte un déroulement clinique réaliste de notre application. Nous avons proposé plusieurs simulations de données (simulation d’entrée, vérités terrain), chacune présentant ses avantages et limites. À travers une évaluation séquentielle, nous avons mesuré l’erreur accumulée, sur une série de tâches de recalage successifs et réalisés au cours d’une trajectoire complète. Cette erreur est mesurée avec des métriques d’évaluation adaptées et pertinentes par rapport à la tâche de recalage.Finalement, en ajoutant des informations liées à la trajectoire réalisée, en considérant notamment les résultats du recalage précédent, le déplacement relatif de la sonde et un apprentissage multiple avec une tâche de segmentation, nous avons observé une amélioration significative de la qualité du recalage. L’identification de nouveaux types d’informations de trajectoire ainsi que de nouvelles manières de les intégrer à une architecture profonde restent des perspectives de cette thèse.