La segmentation automatisée des tumeurs cérébrales à partir d'images de résonance magnétique tridimensionnelles (IRM 3D) est essentielle pour le diagnostic, le suivi et la planification du traitement de la maladie. Les pratiques de délimitation manuelle nécessitent une connaissance anatomique, sont coûteuses, chronophages et peuvent être imprécises en raison d'erreurs humaines. Dans cet article, nous décrivons un réseau de segmentation sémantique destiné à segmenter les sous-régions tumorales à partir d'IRM 3D, basé sur une architecture encodeur-décodeur. En raison de la taille limitée du jeu de données d'entraînement, une branche d'auto-encodeur variationnel a été ajoutée pour reconstruire l'image d'entrée elle-même, afin de régulariser le décodeur partagé et d'imposer des contraintes supplémentaires à ses couches. L'approche actuelle a remporté la première place au défi BraTS 2018.