L’un des problèmes les plus complexes en imagerie cérébrale moderne réside dans la caractérisation détaillée de la neurodégénérescence. La quantification des schémas d’atrophie spatiaux et longitudinaux constitue une composante essentielle de ce processus. Ces signaux spatio-temporels permettront d’affiner la discrimination entre des maladies apparentées, telles que la démence frontotemporale (DFT) et la maladie d’Alzheimer (AD), qui touchent des populations à risque similaires. Dans cette étude, nous développons une nouvelle méthode de normalisation d’images symétrique (SyN), conçue pour maximiser la corrélation croisée dans l’espace des applications difféomorphiques, et fournissons les équations d’Euler-Lagrange nécessaires à cette optimisation. Nous procédons ensuite à une évaluation rigoureuse de notre méthode, en utilisant une segmentation corticale humaine de référence comme standard d’or, afin de comparer les performances de SyN avec une méthode élastique apparentée ainsi qu’avec l’implémentation standard de l’algorithme Demons de Thirion disponible dans ITK. Le nouveau modèle se distingue avantageusement des deux approches, en particulier lorsque la distance entre le cerveau modèle et le cerveau cible est importante. Nous rapportons ensuite la corrélation entre les volumes obtenus par des étiquetages corticaux automatisés chez des sujets atteints de DFT et des sujets témoins, et ceux mesurés par un évaluateur humain expert. Cette comparaison révèle que, parmi les trois méthodes testées, les mesures de volume issues de SyN présentent la corrélation la plus forte avec les mesures obtenues par étiquetage expert. Cette étude démontre que SyN, combinée à la corrélation croisée, constitue une méthode fiable pour la normalisation et les mesures anatomiques dans les images volumétriques IRM de patients et d’individus âgés à risque.