In the last decades, our society has seen an increased prevalence of obesity and diabetes, linked with a rising concern for cardiometabolic complications. Fat is central in metabolic diseases and probing cardiac fat has thus received a growing interest to detect and prevent cardiovascular complications. Specifically, epicardial adipose tissue (EAT), fat depot attached to the heart, abnormal accumulation has been linked to an increase of cardiovascular risk. Recently, evidence also showed that depending on its metabolic activity could either amplify or reduce cardiovascular degradation.Cardiac Magnetic Resonance Imaging (MRI) is up to quantify and characterize in-vivo EAT throughout its evolution. However, even if EAT is visible on standard cardiac MRI protocol, it has often been overlooked or even purposedly dimmed. Inversely, the aim of this thesis was to develop epicardial fat imaging in cardiac MRI to quantify its accumulation and characterize this tissue using innovative metrics. We developed a rapid automatic segmentation of EAT overload on standard cardiac images. Using deep learning method, EAT area is quantified on four chamber cine acquired in clinical routine. This tool would provide a rapid detection of overload EAT in at-risk patient and showed a confidence of 71% to correctly classify it in its EAT quartile quantity. When it is relevant, we aimed at proposing a specific acquisition to investigate more in depth this fat. Chemical shift imaging enables to characterize fat with Proton Density Fat Fraction (PDFF), biomarker of adiposity and effective transverse relaxation rate (R2*) biomarker of iron overload. These metrics showed to identify color features of fat (white, brown), which informs about its metabolic activity. However, cardio-respiratory motion, rapid phase accrual between fat and water at high field strength (3T) are all obstacles for high-resolution and precise measurement of these quantitative parameters. Thus, the entire fat-water imaging (also called Dixon) pipeline has been reviewed to overcome these technical barriers. First, fat-water signal separation algorithms that estimate PDFF and R2* quantitative maps from acquired images were benchmarked using a bi-language toolbox. This standardized comparison helped to select the most reliable and precise algorithm which proved to be the Iterative Decomposition of water and fat with Echo Asymmetry and Least square estimation method with constrained extension. Second, it also revealed that the miscalibration of the a priori known multi-peaks fat spectrum used in the Dixon model induced PDFF and R2* bias. Therefore, in a preliminary study, we explored the fatty acid composition of human EAT samples using ex-vivo Magnetic Resonance Spectroscopy. After completion of this study, a more reliable EAT spectrum calibration could be provided for fat-water imaging.Third, to overcome cardio-respiratory motion, the Free-Running framework, a high-end approach for high-resolution cardiac imaging with fully cardio-respiratory self-gating, combined with a multidimensional Compressed Sensing reconstruction, was adapted for multi-echo fat-water imaging. However, the bipolar gradient multi-echo mode, more efficient than the monopolar mode, proved to be highly sensitive to phase error due to system-specific imperfections.Fourth, the k-space trajectory correction using Gradient Impulse Response Function was integrated to enable bipolar readout gradient mode. It restored image quality and enabled a PDFF precision of 1.2%.Finally, by bringing together those technical advancements in a complete Dixon pipeline, high resolution precise PDFF and R2* quantification was achieved. Thus, in our healthy cohort, epicardial fat had a lower fat fraction (80.4±7.1%) than the subcutaneous fat (92.5±4.3%).This thesis lays ground to EAT quantitative imaging, standing as a promising tool for in-vivo characterization of EAT to better understand its role in cardiovascular degradation. Keywords : epicardial adipose tissue, water/fat imaging, Free-Running chemical shift Dixon imaging, deep learning segmentation, fat spectrum.; Un meilleur phénotypage des patients obèses ou diabétiques à risque pourrait éviter de nombreux décès dus aux complications cardiométaboliques. La graisse joue un rôle central dans les maladies métaboliques et sonder la graisse cardiaque suscite donc un intérêt croissant pour détecter et prévenir les complications cardiovasculaires. Plus précisément, le tissu adipeux épicardique (TAE), dépôt de graisse attaché au cœur, dont l'accumulation anormale a été liée à une augmentation du risque cardiovasculaire. Récemment, il a été montré que l’activité métabolique du TAE amplifie ou réduit la dégradation cardiovasculaire.L'imagerie par résonance magnétique (IRM) cardiaque permet de visualiser le TAE même sur un protocole standard, mais celui-ci a souvent été négligé ou même atténué. Inversement, l'objectif de cette thèse était de développer l'imagerie du TAE en IRM cardiaque afin de quantifier son accumulation et de caractériser ce tissu à l'aide de métriques innovantes.Nous avons implémenté une segmentation automatique par apprentissage profond de l’accumulation du TAE sur des images cardiaques standards. Cet outil permettrait une détection rapide de la surcharge de TAE chez les patients à risque et a montré une confiance de 71% pour le bon classement de cette quantité dans son quartile de TAE.Ensuite, nous avons développé l'imagerie eau-graisse pour analyser le TAE grâce à la fraction de graisse en densité de proton (PDFF) et la vitesse de relaxation transversale effective (R2*). Ces métriques permettent d'identifier la couleur caractéristique de la graisse (blanche, brune), renseignant ainsi sur son activité métabolique. Cependant, le mouvement cardio-respiratoire, l'accumulation rapide de phases entre la graisse et l'eau à haut champ (3T) sont autant d'obstacles à la mesure précise et hautement résolue de ces paramètres quantitatifs. Ainsi, l'ensemble du pipeline d'imagerie eau-graisse (également appelé Dixon) a été revu.Les algorithmes Dixon estimant les cartes quantitatives PDFF et R2* ont été comparés de façon standardisée grâce à une infrastructure programmé en deux languages. Cela a permis de sélectionner l'algorithme le plus fiable et précis qui s'est avéré être la méthode IDEAL-CE (Iterative Decomposition of water and fat with Echo Asymmetry and Least square estimation with constrained extension).Cette étude a aussi révélé que le mauvais calibrage du spectre de graisse multi-pics utilisé dans le modèle de Dixon induisait un biais de PDFF et R2*. Dans une étude préliminaire, nous avons exploré la composition en acides gras d'échantillons ex-vivo d’EAT humains en utilisant la spectroscopie par résonance magnétique. Une fois cette étude terminée, un étalonnage plus fiable du spectre de TAE pourrait être fourni pour l'imagerie eau-graisse.Pour surmonter le mouvement cardio-respiratoire, le Free-Running, approche à haute résolution auto-navigués dans les cycles cardio-respiratoires, combinée à une reconstruction multidimensionnelle de type Compressed Sensing, a été adapté à l'imagerie eau-graisse multi-échos.En multi-échos, le gradient bipolaire, plus efficace que le monopolaire, s'est révélé être très sensible à l'erreur de phase due aux imperfections spécifiques du système. La correction de la trajectoire dans l'espace k grâce à la fonction de réponse impulsionnelle du gradient a été intégrée pour en permettre son utilisation. Elle a permis de restaurer la qualité de l'image et d'obtenir une précision de PDFF de 1,2%.En réunissant ces avancées techniques dans un pipeline complet de Dixon, une quantification précise et hautement résolue du PDFF et du R2* a été obtenue. Ainsi, dans notre cohorte de sujets sains, le TAE avait une fraction graisseuse plus faible (80,4±7,1%) que la graisse sous-cutanée (92,5±4,3%).Cette thèse ouvre la voie à l'imagerie quantitative du TAE, se présentant comme un outil prometteur pour la caractérisation in-vivo du TAE afin de mieux comprendre son rôle dans les complications cardiovasculaires.Mots clés : tissu adipeux épicardique (TAE), séparation eau/graisse, imagerie Free-Running Dixon, segmentation par apprentissage profond, spectre de graisse.