On pense que les carcinoïdes pulmonaires atypiques (PCa) progressent à partir des carcinoïdes typiques moins agressifs. En revanche, il a été largement admis que les PCa ont des caractéristiques clinico-histopathologiques uniques sans relation de cause à effet ou des caractéristiques génétiques, épidémiologiques ou cliniques communes avec les cancers neuroendocriniens (NEC) du poumon agressifs, les carcinomes neuroendocriniens à grandes cellules (LCNEC) et les cancers du poumon à petites cellules. Cependant, des preuves récentes dans la littérature ont suggéré que le lien moléculaire entre le PCa et les NECs pourrait être plus subtil qu'on ne le pensait initialement. Pour étayer cette hypothèse, nous avons récemment identifié un groupe de PCa (appelés supra-carcinoïdes) qui présentent une véritable morphologie de type carcinoïde mais des caractéristiques moléculaires et cliniques des LCNEC. L’objectif de ce projet de thèse est l’analyse d'images histopathologiques de carcinoïdes du poumon par des techniques de vision par ordinateur, pour faciliter le diagnostic et définir les caractéristiques histopathologiques des supra-carcinoïdes. La stratégie globale pour atteindre cet objectif est la suivante : (i) constitution d’une banque de données d’images annotées de carcinoïdes; (ii) implémentation d’un réseau de neurones convolutionel (CNN) pour classifier et extraire les caractéristiques des images (iii) extraction des caractéristiques histopathologiques computationnelles pour interpréter morphologiquement et génomiquement les matrices en sortie du CNN. Ces résultats pourront dévoiler des attributs pertinents pour faciliter diagnostic et la caractérisation des supra-carcinoïdes, ce qui in fine améliorera la prise en charge des patients atteints des formes les plus sévères de carcinoïdes.