La détection automatique et la segmentation des cellules et de leurs noyaux dans les images de microscopie sont essentielles pour de nombreuses applications biologiques. Les approches récentes basées sur l'apprentissage incluent la segmentation cellulaire pixel par pixel suivie d'un regroupement des pixels, ou la localisation de boîtes englobantes suivie d'une affinement de forme. Dans les situations où les cellules sont très proches les unes des autres, ces méthodes peuvent être sujettes à des erreurs de segmentation, telles que la fusion erronée des cellules voisines ou la suppression d'instances cellulaires valides en raison d'une mauvaise approximation par les boîtes englobantes. Pour surmonter ces problèmes, nous proposons de localiser les noyaux cellulaires au moyen de polygones étoilés convexes (star-convex polygons), qui constituent une représentation de forme beaucoup plus précise par rapport aux boîtes englobantes et n'ont donc pas besoin d'affinement de forme. À cette fin, nous entraînons un réseau neuronal convolutif qui prédit, pour chaque pixel, un polygone correspondant à l'instance cellulaire située à cet emplacement. Nous démontrons les avantages de notre approche sur deux jeux de données synthétiques et un jeu de données complexe comprenant diverses images de microscopie fluorescente.