Les Réseaux Neuronaux Convolutifs (RNC) ont récemment été utilisés pour résoudre des problèmes dans les domaines de la vision par ordinateur et de l'analyse d'images médicales. Malgré leur popularité, la plupart des approches ne sont capables de traiter que des images 2D, alors que la majorité des données médicales utilisées en pratique clinique consistent en des volumes 3D. Dans ce travail, nous proposons une approche de segmentation d'images 3D basée sur un réseau neuronal convolutif volumétrique et entièrement convolutif. Notre RNC est formé de manière end-to-end sur des volumes IRM représentant la prostate, et apprend à prédire la segmentation pour l'ensemble du volume en une seule fois. Nous introduisons une nouvelle fonction objectif, que nous optimisons lors de l'apprentissage, basée sur le coefficient de Dice. De cette façon, nous pouvons gérer les situations où il existe un fort déséquilibre entre le nombre de voxels du premier plan et ceux du fond. Pour faire face au nombre limité de volumes annotés disponibles pour l'entraînement, nous augmentons les données en appliquant des transformations non linéaires aléatoires et un appariement d'histogrammes. Nous montrons dans notre évaluation expérimentale que notre approche atteint de bonnes performances sur des données de test difficiles tout en nécessitant seulement une fraction du temps de traitement requis par les méthodes précédentes.