L’intégration des connaissances spécifiques à l’humain dans le diagnostic des tumeurs mammaires est un défi, car les caractéristiques telles que la forme, la bordure, la courbure, l’intensité ou d’autres priori médicaux courants varient considérablement d’un patient à l’autre et ne peuvent donc pas être utilisées de manière universelle. Ce travail propose une nouvelle approche visant à intégrer la salience visuelle dans un modèle d’apprentissage profond pour la segmentation des tumeurs mammaires à partir d’images échographiques. La salience visuelle désigne des cartes d’image mettant en évidence des régions plus susceptibles d’attirer l’attention des radiologues. La méthode proposée introduit des blocs d’attention dans une architecture U-Net, permettant d’apprendre des représentations de caractéristiques qui privilégient les régions spatiales présentant un haut niveau de salience. Les résultats de validation montrent une amélioration de la précision de la segmentation des tumeurs par rapport aux modèles ne comprenant pas de couches d’attention saliente. L’approche a atteint un coefficient de similarité de Dice de 90,5 % sur un jeu de données comprenant 510 images. Ce modèle d’attention saliente présente un potentiel important pour améliorer la précision et la robustesse du traitement d’images médicales d’autres organes, en offrant un moyen d’intégrer des connaissances spécifiques à la tâche dans les architectures d’apprentissage profond.