En biologie de la reproduction, l’étude des mécanismes de l’ovogenèse repose en partie sur la compréhension de la dynamique de croissance des follicules (e.g ovocytes entourés de cellules somatiques de soutien) dans un contexte ovarien sain ou pathologique. L’avancée des méthodes de transparisation et d’imagerie 3D permet aujourd’hui la production de nouvelles données quantitatives, spatiales et structurelles à l’échelle de l’ovaire entier et ouvre la voie à une meilleure compréhension du développement ovarien, notamment chez le poisson1. De plus, l’analyse computationnelle de telles images a connu d’importants progrès depuis le développement d’algorithmes de deep-learning (DL) spécifiquement adaptés à divers types cellulaires ou modalités d’acquisition. Leur application reste toutefois limitée en raison d’un manque de généralisation de ces algorithmes ou de la quantité de données nécessaire à l’entrainement d’algorithmes spécialisés. Cette limitation est d’autant plus prononcée dans le cas de larges tissus en 3D qui peuvent (1) présenter une grande variabilité d’intensité des signaux fluorescents, réduisant l’efficacité des algorithmes disponibles ou (2) nécessiter un temps d’annotation considérable pour la préparation du jeu de données à entraîner. Pour analyser le contenu folliculaire des ovaires de médaka à partir d’images d’ovaires entiers et s’affranchir de ces limitations, nous avons développé une stratégie permettant d’utiliser des outils de DL disponibles en open-source adaptés au débruitage d’images (Noise2Void2) et à la segmentation de cellules (Cellpose3). Ces outils ont été intégrés à des pipelines d’analyse comprenant trois étapes principales : le pré-traitement, la segmentation et le post-traitement des images. Une étape de filtration et de combinaison des follicules segmentés a notamment permis l’utilisation de l’algorithme généraliste Cellpose sur des ovaires adultes présentant des variations extrêmes de tailles de follicules (de 20 à plus de 1000 µm de diamètre), constituant normalement une limitation majeure de ce modèle. Notre stratégie fournit ainsi des solutions abordables et efficaces pour extraire des informations quantitatives exhaustives à partir d’images d'ovaires entiers, à des stades variés du cycle de vie et présentant des modalités de fluorescence différentes4. L’application de cette méthodologie permet dorénavant l’analyse précise de la dynamique de croissance folliculaire et constitue une ressource adaptable à l’étude de modifications du contenu ovarien dans d’autres contextes génétiques ou en toxicologie.