Le cancer du foie est l'une des principales causes de décès par cancer. Pour aider les médecins dans le diagnostic et la planification du traitement du carcinome hépatocellulaire, une méthode de segmentation automatique et précise du foie et des tumeurs est fortement demandée en pratique clinique. Récemment, les réseaux neuronaux à convolution entièrement connectés (FCNs), y compris les FCNs 2D et 3D, sont utilisés comme base dans de nombreuses segmentations d'images volumétriques. Cependant, les convolutions 2D ne peuvent pas pleinement exploiter les informations spatiales le long de la troisième dimension, tandis que les convolutions 3D souffrent d'un coût computationnel élevé et d'une consommation importante de mémoire GPU. Pour résoudre ces problèmes, nous proposons un nouveau réseau hybride densément connecté UNet (H-DenseUNet), qui comprend un DenseUNet 2D pour extraire efficacement les caractéristiques intra-tranches et un équivalent 3D pour agréger hiérarchiquement les contextes volumétriques selon l'esprit de l'algorithme auto-contexte pour la segmentation du foie et des tumeurs. Nous formulons le processus d'apprentissage de H-DenseUNet de manière end-to-end, où les représentations intra-tranches et les caractéristiques inter-tranches peuvent être conjointement optimisées grâce à une couche de fusion hybride des caractéristiques (HFF). Nous avons évalué notre méthode de manière extensive sur le jeu de données du Défi de Segmentation des Tumeurs Hépatiques (LiTS) MICCAI 2017 et sur le Jeu de données 3DIRCADb. Notre méthode a surpassé d'autres méthodes state-of-the-art dans les résultats de segmentation des tumeurs et a obtenu des performances très compétitives pour la segmentation du foie, même avec un seul modèle.