Les techniques de tomographie par rayons X (XCT) se sont développées jusqu’à un point où des données à haute résolution peuvent être acquises si rapidement que les méthodes classiques de segmentation deviennent prohibitivement lourdes, nécessitant des chaînes automatisées de traitement capables de gérer des images 3D non triviales. L’apprentissage profond a fait preuve de son efficacité dans de nombreuses tâches de traitement d’images, y compris dans les applications de science des matériaux, offrant ainsi une alternative prometteuse pour des pipelines de segmentation autonomes, libérés de toute intervention humaine. Dans cet article, nous proposons une interprétation modulaire du réseau UNet (Modular U-Net), entraînée pour segmenter des images tomographiques 3D d’un matériau composite à trois phases constitué de fibres de verre renforçant un polyamide 66. Nous comparons les versions 2D et 3D de notre modèle, et constatons que la version 2D obtient légèrement de meilleurs résultats que la version 3D. Nous observons également que des résultats comparables à ceux d’un expert humain peuvent être atteints même avec seulement 10 couches annotées, et que l’utilisation d’un UNet peu profond donne de meilleurs résultats qu’un réseau plus profond. En conséquence, les réseaux de neurones (NN) s’imposent comme une voie prometteuse pour automatiser les chaînes de traitement des données XCT, nécessitant aucune intervention humaine ad hoc.