Le pré-traitement des IRM cérébrales consiste à convertir les images brutes en un cerveau dépourvu de crâne et normalisé en intensité dans un espace de coordonnées standard. Dans cet article, nous proposons une approche d'apprentissage faiblement supervisée de bout en bout, appelée Neural Pre-processing (NPP), pour résoudre simultanément les trois sous-tâches par le biais d'un réseau neuronal, formé sur un grand ensemble de données sans supervision individuelle pour chaque sous-tâche. Étant donné que l'objectif global est fortement sous-déterminé, nous dissocions explicitement la cartographie d'intensité préservant la géométrie (décapitation du crâne et normalisation de l'intensité) et la transformation spatiale (normalisation spatiale). Les résultats quantitatifs montrent que notre modèle surpasses les méthodes de pointe qui ne traitent qu'une seule sous-tâche. Nos expériences d'ablation démontrent l'importance de la conception architecturale que nous avons choisie pour NPP. De plus, NPP offre au utilisateur la flexibilité de contrôler chacune de ces tâches au moment de l'inférence. Le code et le modèle sont librement disponibles à l'adresse \url{https://github.com/Novestars/Neural-Pre-processing}.