La segmentation et la classification des noyaux au sein d'images histologiques colorées à l'hématoxyline et à l'éosine constituent une condition préalable fondamentale dans le flux de travail de la pathologie numérique. Le développement de méthodes automatisées pour la segmentation et la classification des noyaux permet une analyse quantitative de dizaines de milliers de noyaux au sein d'une image de diapositive entière en pathologie, ouvrant ainsi la voie à des analyses plus approfondies de la morphométrie nucléaire à grande échelle. Cependant, la segmentation et la classification automatisées des noyaux sont confrontées à un défi majeur : il existe plusieurs types différents de noyaux, certains présentant une grande variabilité intra-classe, comme les cellules tumorales. De plus, certains noyaux sont souvent regroupés ensemble. Pour relever ces défis, nous présentons un nouveau réseau neuronal convolutif pour la segmentation et la classification simultanées des noyaux qui exploite les informations riches en instances codées dans les distances verticales et horizontales des pixels nucléaires à leurs centres de masse. Ces distances sont ensuite utilisées pour séparer les noyaux regroupés, aboutissant à une segmentation précise, notamment dans les zones où les instances se chevauchent. Ensuite, pour chaque instance segmentée, le réseau prédit le type de noyau grâce à une branche dédiée d'échantillonnage inverse. Nous démontrons des performances d'état de l'art par rapport aux autres méthodes sur plusieurs jeux de données indépendants d'images histologiques multi-tissus. Dans le cadre de ce travail, nous introduisons un nouveau jeu de données composé de tuiles d'images d'adénocarcinome colo-rectal colorées à l'hématoxyline et à l'éosine (Haematoxylin & Eosin), contenant 24 319 noyaux annotés exhaustivement avec leurs étiquettes de classe associées.