RESUME: L'EM (Expectation-Maximization) est l'algorithme iteratif le plus utilise en reconstruction d'images tomographiques par emission car il prend en compte la statistique Poissonienne du comptage de photons. Du fait de la nature mal posee de la reconstruction tomographique, les methodes algebriques cessent de converger lorsque le nombre d'iterations augmente. Un a priori sur la solution doit etre introduit pour assurer la convergence; le probleme est alors regularise. Nous utilisons comme a priori une distribution de Gibbs associee a une fonction de potentiel nous permettant de preserver les discontinuites dans l'image. Une fois regularise, l'EM devient le MAP-EM (Maximum a posteriori Expectation Maximization). ARTUR est un algorithme auto adaptatif regularise qui modelise la statistique de comptage des photons par une distribution Gaussienne. Ce travail compare le MAP-EM OSL (One Step Late) developpe par P. J. Green et ARTUR, deux algorithmes iteratifs deterministes regularises, sur des fantomes numeriques et physiques. Les donnees ont ete acquises pour differentes statistiques de comptage et les simulations numeriques ont ete bruitees par du bruit de Poisson. Les resultats montrent que, si les performances des algorithmes sont equivalentes, meme pour des faibles comptages, le facteur temps apporte une difference significative en faveur d'ARTUR.