L’objectif de cette thèse est de développer une approche de génération automatique de modèles anatomiques 3D « patient-spécifiques » du système respiratoire, basée sur un patient générique de référence « un Atlas », en évitant la segmentation manuelle de certains organes « comme le diaphragme ». Il s’agira de calculer, d’extraire et d’appliquer les transformations géométriques permettant de mettre en correspondance le modèle générique « l’Atlas » sur un nouveau patient, en explorant les méthodes d’apprentissage automatique profonds et les méthodes GNNs (Graph Neural Networks). Nous souhaitons par ailleurs développer des méthodes permettant de déformer les surfaces 3D (de l’atlas vers un nouveau patient), en conservant la qualité des modèles adaptés aux simulations physiques, et les contraintes de contacts entre les organes. Les modèles générés seront exploités pour modéliser et simuler le système respiratoire en utilisant une approche biomécanique patient spécifique, afin de quantifier les déformations des poumons et prédire à chaque instant la position et la trajectoire des tumeurs pulmonaires avec une grande précision.