Studying White Matter (WM) lesions in premature babies is a societal challenge, aspremature mortality is decreasing while neurological morbidity remains the same.This master thesis is part of the p-HCP (Premature Human Connectome Project),which aims to study these lesions using extreme magnetic field MRI (11.7T) , startingwith the construction of a typical ex vivo brain atlas at mesoscopic scale and comparingit, in a second phase, to an atlas of damaged brains. This work presents a segmentationstrategy for the fetal brain structures to characterize them at different key stages ofthe development using MRI images with unprecedented resolution. We first manuallysegmented the structures of a 20-week gestation brain using a histological atlas, inorder to explore the information contained the nineteen MRI modalities available(quantitative, weighted and diffusion images). We then segmented the fetal brainstructures, without anatomical a priori, by using data engineering and automaticclustering algorithms. We have succeeded in designing a proof of concept for automaticsegmentation for the fetal brain and extracting, from our MRI images, groups ofstructures similar in molecular composition and cytoarchitecture.

Att studera lesioner den vita substansen hos för tidigt födda barn är en samhälleligutmaning, eftersom den för tidiga dödligheten minskar medan den neurologiskasjukligheten förblir densamma. Denna masteruppsats är en del av p-HCP (PrematureHuman Connectome Project), som syftar till att studera dessa lesioner med hjälp avMRT med extremt magnetfält (11,7T), med början med konstruktionen av en typiskex vivo hjärnatlas i mesoskopisk skala och jämföra den, i en andra fas, med en atlasav skadade hjärnor. I detta arbete presenteras en segmenteringsstrategi för fostretshjärnstrukturer för att karakterisera dem vid olika viktiga utvecklingsstadier medhjälp av MR-bilder med oöverträffad upplösning. Vi segmenterade först manuelltstrukturerna i en 20 veckors graviditetshjärna med hjälp av en histologisk atlas, föratt utforska informationen i de nitton tillgängliga MR-modaliteterna (kvantitativa,viktade och diffusionsbilder). Vi segmenterade sedan de fetala hjärnstrukturerna, utananatomisk a priori, genom att använda datateknik och automatiska klusteralgoritmer.Vi har lyckats utforma ett proof of concept för automatisk segmentering av fostretshjärna och från våra MR-bilder extrahera grupper av strukturer som liknar varandra imolekylär sammansättning och cytoarkitektur.