Dans cet article, nous présentons une méthode de segmentation de tumeurs cérébrales entièrement automatique basée sur les Réseaux Neuronaux Profonds (RNP). Les réseaux proposés sont spécifiquement adaptés aux glioblastomes (de grades bas et élevés) représentés dans les images IRM. Par leur nature même, ces tumeurs peuvent apparaître n'importe où dans le cerveau et présenter presque toutes sortes de formes, tailles et contraste. Ces raisons motivent notre exploration d'une solution d'apprentissage automatique qui exploite un RNP flexible et à haute capacité tout en étant extrêmement efficace. Nous décrivons ici différentes options de modèles que nous avons jugées nécessaires pour obtenir des performances compétitives. Nous examinons en particulier différentes architectures basées sur les Réseaux Neuronaux Convolutifs (RNC), c'est-à-dire des RNP spécifiquement adaptés aux données d'images.Nous présentons une nouvelle architecture de RNC qui diffère de celles traditionnellement utilisées en vision par ordinateur. Notre RNC exploite simultanément des caractéristiques locales ainsi que des caractéristiques contextuelles plus globales. De plus, contrairement à la plupart des utilisations traditionnelles des RNC, nos réseaux utilisent une couche finale qui est une implémentation convolutive d'une couche entièrement connectée, permettant un accélération de 40 fois. Nous décrivons également une procédure d'entraînement en deux phases qui nous permet de relever les défis liés au déséquilibre des étiquettes tumorales. Enfin, nous explorons une architecture en cascade où la sortie d'un RNC de base est traitée comme une source supplémentaire d'information pour un RNC ultérieur.Les résultats rapportés sur l'ensemble de données de test BRATS 2013 montrent que notre architecture améliore l'état actuel de l'art tout en étant plus de 30 fois plus rapide.