Une cascade de réseaux neuronaux entièrement convolutifs est proposée pour segmenter des images d'imagerie par résonance magnétique (IRM) multimodales contenant une tumeur cérébrale en arrière-plan et trois régions hiérarchiques : la tumeur complète, le noyau tumoral et le noyau tumoral amélioré. Cette cascade est conçue pour décomposer le problème de segmentation multiclasses en une séquence de trois problèmes de segmentation binaire selon la hiérarchie des sous-régions. La tumeur complète est segmentée lors du premier pas, et la boîte englobante du résultat est utilisée pour la segmentation du noyau tumoral lors du deuxième pas. Le noyau tumoral amélioré est ensuite segmenté sur la base de la boîte englobante du résultat de segmentation du noyau tumoral. Nos réseaux comprennent plusieurs couches de filtres de convolution anisotropes et dilatés, et ils sont combinés avec une fusion multivue pour réduire les faux positifs. Des connexions résiduelles et des prédictions multiscale sont utilisées dans ces réseaux pour améliorer les performances de segmentation. Les expériences menées sur l'ensemble de validation BraTS 2017 ont montré que la méthode proposée a obtenu des scores moyens Dice de 0,7859, 0,9050 et 0,8378 pour le noyau tumoral amélioré, la tumeur complète et le noyau tumoral, respectivement. Les valeurs correspondantes sur l'ensemble de test BraTS 2017 étaient respectivement 0,7831, 0,8739 et 0,7748.