La segmentation précise des noyaux cellulaires est une étape cruciale dans l'analyse d'images assistée par ordinateur pour extraire des caractéristiques riches destinées à l'estimation cellulaire et aux diagnostics et traitements subséquents. Cependant, cette tâche reste difficile en raison de la présence généralisée de grappes de noyaux, ainsi que des grandes variations morphologiques entre les différents organes, qui rendent la segmentation des instances de noyaux vulnérable aux sur- ou sous-segmentations. De plus, l'inévitable subjectivité dans l'annotation et le mauvais étiquetage empêchent le réseau d'apprendre à partir d'échantillons fiables, réduisant finalement sa capacité de généralisation pour segmenter robustement les noyaux d'organes inconnus. Pour résoudre ces problèmes, nous proposons un nouveau réseau neuronal profond, nommé Contour-aware Informative Aggregation Network (CIA-Net), doté d'un module d'agrégation d'informations multi-niveaux entre deux décodeurs spécifiques à la tâche. Contrairement aux décodeurs indépendants, il exploite les avantages des dépendances spatiales et texturales entre les noyaux et les contours en agrégant bidirectionnellement des caractéristiques spécifiques à la tâche. De plus, nous avons proposé une nouvelle perte tronquée lisse qui ajuste les pertes pour réduire les perturbations provenant des valeurs aberrantes. Par conséquent, le réseau peut se concentrer sur l'apprentissage à partir d'échantillons fiables et informatifs, ce qui améliore intrinsèquement sa capacité de généralisation. Les expériences menées dans le cadre du défi 2018 MICCAI de Multi-Organ-Nuclei-Segmentation ont validé l'efficacité de notre méthode proposée, surpassant toutes les autres 35 équipes concurrentes avec une marge significative.