L'ostéosarcome (OST) est le cancer osseux primaire le plus fréquent qui touche principalement les enfants et les jeunes adultes. Les OST sont caractérisés par une production anarchique d’os par les cellules tumorales, associée à une grande complexité génomique entraînant une hétérogénéité spatio-temporelle de la tumeur et de son microenvironnement. L'hétérogénéité intra-tumorale et interindividuelle qui en résulte est explorée à différentes échelles de types génétique, moléculaire, tissulaire ou macroscopique. Le traitement de ces données multi-échelles par des techniques numériques telles que l’IA ou la modélisation basée sur l’image, dans le but de proposer des stratégies thérapeutiques personnalisées, est un domaine de recherche en plein essor. Ce travail de thèse s’inscrit dans cette démarche en prenant pour hypothèse qu’à l’échelle du microenvironnement, le tissu tumoral peut être considéré comme un milieux poreux multiphasique réactif évoluant en espace et en temps. Cette géométrie tissulaire complexe associe des phases continues osseuse, fluide et vasculaire aux phases discrètes des populations cellulaires impliquées dans le développement tumoral et dans la réponse immunitaire. L’objectif de ces travaux est de proposer de nouvelles méthodologies statistiques ainsi que les outils numériques associés permettant, à partir d’images histologiques et immunohistochimiques de routine clinique et ayant une résolution spatiale sub-cellulaire, d’établir une quantification de l’hétérogénéité intra et inter-tumorale de l’OST à l’échelle tissulaire. Ce travail interdisciplinaire est bâti sur la collaboration entre l’Institut de Mécanique des Fluides de Toulouse et l’Institut Universitaire du Cancer de Toulouse. L’état de l’art présente le contexte clinique et l’appropriation des techniques d’imagerie histologiques permettant de définir les questionnements scientifiques associés à cette thèse. Les méthodologies de segmentation d’images basées sur des méthodes d’apprentissage machine, sont par la suite développées. L’étape suivante du travail s’attache à la recherche de filtres linéaires et non linéaires pour l’amélioration de la segmentation obtenue par méthode d’apprentissage machine seule. Ces développements basés sur une approche analytique permettent en particulier d’interpréter de manière pertinente les filtres obtenus par des algorithmes du type Support Vector Machine. La troisième partie des travaux de recherche propose des métriques de caractérisation des images; métriques inspirées de la géostatistique. Des cartes de corrélations locales associant les propriétés de la microarchitecture poreuse et la distribution des populations cellulaires immunitaires, macrophages et lymphocytes, sont établies. La pertinence des méthodologies développées est évaluée sur une cohorte de huit patients atteints d’OST et l’hétérogénéité spatiale de la réponse au traitement est explorée. En dernier lieu, les outils numériques développés dans cette thèse sont utilisés pour l’exploration mécanobiologique de l’hétérogénéité du microenvironnement, et ceci concerne l’étude des propriétés élastiques et de transport du milieu. En conclusion, la méthodologie développée dans cette thèse a permis de quantifier la complexité architecturale du microenvironnement tumoral en association à la distribution des cellules immunitaires permettant l’exploration de marqueurs spécifiques de résistance aux traitements. Cette approche originale à notre connaissance, permet de quantifier les phénomènes mécanobiologiques à partir d’examens cliniques établis en routine. Elle peut contribuer à terme, à l’identification de cibles thérapeutiques spécifiques aux patients.