Nous proposons la couche de convolution autofocus pour le segmention sémantique, dans le but d'améliorer les capacités des réseaux neuronaux pour le traitement multi-échelle. Les couches autofocus modifient de manière adaptative la taille du champ récepteur effectif en fonction du contexte traité, afin de générer des caractéristiques plus puissantes. Cela est réalisé en parallélisant plusieurs couches de convolution avec différents taux de dilatation, combinées par un mécanisme d'attention qui apprend à se concentrer sur les échelles optimales guidées par le contexte. En partageant les poids des convolutions parallèles, nous rendons le réseau invariant à l'échelle, avec une augmentation modeste du nombre de paramètres. La couche autofocus proposée peut être facilement intégrée dans les réseaux existants pour améliorer la puissance représentative du modèle. Nous évaluons nos modèles sur les tâches difficiles de segmentation multi-organe dans les IRM pelviennes et de segmentation de tumeurs cérébrales dans les IRM cérébrales, et obtenons des performances très prometteuses.