Les séquences de microscopie de cellules vivantes présentent des structures spatiales complexes et un comportement temporel compliqué, ce qui rend leur analyse particulièrement ardue. En considérant le problème de segmentation cellulaire, qui joue un rôle crucial dans l'analyse, les propriétés spatiales des données peuvent être capturées à l'aide de Réseaux Neuronaux Convolutifs (RNC ou CNNs). Les approches récentes montrent des résultats prometteurs en segmentation en utilisant des encodeurs-décodeurs convolutifs tels que l'U-Net. Cependant, ces méthodes sont limitées par leur incapacité à intégrer les informations temporelles, qui pourraient faciliter la segmentation de cellules individuelles en contact ou partiellement visibles. Afin d'exploiter la dynamique cellulaire, nous proposons une nouvelle architecture de segmentation qui intègre les Mémoires à Court et Long Terme Convolutives (MC-LT ou C-LSTM) avec l'U-Net. L'architecture unique du réseau lui permet de capturer une codification spatio-temporelle compacte et multi-échelle dans les unités mémoire des MC-LT. La méthode a été évaluée sur le Défi de Suivi Cellulaire et a obtenu des résultats d'état de l'art (1ère place sur le jeu de données Fluo-N2DH-SIM+ et 2ème place sur le jeu de données DIC-C2DL-HeLa). Le code est librement disponible à l'adresse suivante : https://github.com/arbellea/LSTM-UNet.git