Les réseaux de neurones convolutifs (RNC) ont été appliqués à une grande variété de tâches en vision par ordinateur. Les progrès récents en segmentation sémantique ont permis leur utilisation dans la segmentation d'images médicales. Bien que la plupart des RNC utilisent des noyaux bidimensionnels, les publications récentes basées sur les RNC dans le domaine de la segmentation d'images médicales ont mis en avant l'utilisation de noyaux tridimensionnels, permettant un accès complet à la structure tridimensionnelle des images médicales. Bien que étroitement liée à la segmentation sémantique, la segmentation d'images médicales présente des défis spécifiques qui doivent être abordés, tels que la rareté des données étiquetées, l'important déséquilibre de classes trouvé dans les vérités terrain et la forte demande en mémoire des images tridimensionnelles. Dans cette étude, une méthode basée sur les RNC avec des filtres tridimensionnels est présentée et appliquée aux IRM de la main et du cerveau. Deux modifications d'une architecture RNC existante sont discutées, ainsi que des méthodes pour faire face aux défis mentionnés précédemment. Bien que la plupart des travaux existants en segmentation d'images médicales se concentrent sur les tissus mous et les organes majeurs, cette étude est validée sur des données provenant à la fois du système nerveux central et des os de la main.