Dans cet article, nous présentons un modèle basé sur l'apprentissage profond bayésien pour la segmentation de la couche photoréceptrice dans les clichés OCT (Optical Coherence Tomography) pathologiques. Notre architecture fournit des segmentations précises de la couche photoréceptrice et génère des cartes d'incertitude épistémique au niveau des pixels, mettant en évidence les zones potentiellement pathologiques ou les erreurs de segmentation. Nous avons évalué empiriquement cette approche sur deux ensembles de clichés OCT pathologiques de patients atteints de dégénérescence maculaire liée à l'âge, d'occlusion veineuse rétinienne et d'œdème maculaire diabétique, améliorant ainsi les performances du modèle U-Net de base tant en termes d'indice Dice que de surface sous la courbe précision/rappel. Nous avons également observé que les estimations d'incertitude étaient inversément corrélées aux performances du modèle, soulignant son utilité pour identifier les zones nécessitant une inspection/correction manuelle.