Lors de l'interprétation d'images médicales telles que les scanners à résonance computed tomography (CT), les radiologues effectuent généralement une recherche sur l'image pour détecter des lésions, les caractériser, les mesurer et ensuite les décrire dans le rapport radiologique. Pour automatiser ce processus, nous proposons un réseau d'analyse universelle des lésions multitâches (MULAN) destiné à la détection conjointe, au marquage et à la segmentation des lésions dans diverses parties du corps, ce qui étend considérablement les travaux existants sur l'analyse mono-tâche des lésions dans des parties spécifiques du corps. MULAN repose sur une version améliorée du cadre Mask R-CNN avec trois branches de tête et une stratégie de fusion de caractéristiques 3D. Il atteint une précision d'état de l'art dans les tâches de détection et de marquage sur le jeu de données DeepLesion, qui contient 32 000 lésions dans tout le corps. Nous analysons également la relation entre ces trois tâches et montrons que les prédictions de marquage peuvent améliorer la précision de la détection grâce à une couche de raffinement des scores.