Il existe un large consensus selon lequel l'entraînement réussi de réseaux profonds nécessite des milliers d'exemples d'apprentissage annotés. Dans cet article, nous présentons un réseau et une stratégie d'entraînement reposant sur une utilisation intensive de l'augmentation des données afin d'utiliser plus efficacement les échantillons annotés disponibles. L'architecture comporte un chemin contractant permettant de capturer le contexte et un chemin expansif symétrique qui permet une localisation précise. Nous démontrons qu'un tel réseau peut être entraîné de manière end-to-end à partir d'un très petit nombre d'images et surpasser la meilleure méthode antérieure (un réseau convolutif à fenêtre glissante) sur le défi ISBI de segmentation des structures neuronales dans des piles de microscopie électronique. En utilisant le même réseau entraîné sur des images de microscopie à lumière transmise (contraste de phase et DIC), nous avons remporté le défi ISBI de suivi cellulaire 2015 dans ces catégories avec une marge importante. De plus, le réseau est rapide : la segmentation d'une image de 512×512 prend moins d'une seconde sur une GPU récente. L'implémentation complète (basée sur Caffe) ainsi que les réseaux entraînés sont disponibles à l'adresse suivante :http://lmb.informatik.uni-freiburg.de/people/ronneber/u-net.