La segmentation d'images médicales est une étape cruciale dans l'analyse d'images médicales. Avec le développement rapide des réseaux neuronaux convolutifs en traitement d'images, l'apprentissage profond a été appliqué à la segmentation d'images médicales, notamment pour la segmentation du disque optique, la détection des vaisseaux sanguins, la segmentation pulmonaire et la segmentation cellulaire. Précédemment, des approches basées sur U-Net ont été proposées. Cependant, les opérations de mise en pool consécutives et les convolutions avec pas entraînent une perte de certaines informations spatiales. Dans cet article, nous proposons un réseau de codage contextuel (désigné par CE-Net) pour capturer davantage d'informations de haut niveau et préserver les informations spatiales dans la segmentation d'images médicales 2D. Le CE-Net comprend principalement trois composants majeurs : un module de codage de caractéristiques, un extracteur de contexte et un module de décodage de caractéristiques. Nous utilisons un bloc ResNet préentraîné comme extracteur de caractéristiques fixe. Le module extracteur de contexte est formé par un nouveau bloc de convolution atrous dense (DAC) et un bloc de mise en pool multi-noyaux résiduel (RMP). Nous avons appliqué le CE-Net proposé à différentes tâches de segmentation d'images médicales 2D. Les résultats globaux montrent que notre méthode surpassent non seulement la méthode U-Net originale mais aussi d'autres méthodes avancées pour la segmentation du disque optique, la détection des vaisseaux sanguins, la segmentation pulmonaire, la segmentation du contour cellulaire et la segmentation des couches de tomographie par cohérence optique rétinienne.