L’essor des architectures Transformer a révolutionné la segmentation d’images médicales, conduisant à l’émergence de modèles hybrides combinant les réseaux de neurones convolutifs (CNN) et les Transformers afin d’améliorer la précision. Toutefois, ces modèles souffrent souvent d’une complexité accrue et négligent l’interaction entre les caractéristiques spatiales et canal, un élément crucial pour une segmentation de haute précision. Nous proposons LHU-Net, un modèle hybride U-Net simplifié conçu pour la segmentation volumétrique d’images médicales, qui analyse d’abord les caractéristiques spatiales, puis les caractéristiques canal, afin d’extraire efficacement les informations pertinentes. Testé sur cinq jeux de données standard (Synapse, LA, Pancreas, ACDC, BRaTS 2018), LHU-Net a démontré une efficacité et une précision supérieures, atteignant notamment un score Dice de 92,66 sur ACDC avec 85 % moins de paramètres et un quart de la charge computationnelle par rapport aux modèles de pointe. Ce résultat, obtenu sans pré-entraînement, sans données supplémentaires ni ensembles de modèles, établit de nouveaux jalons en matière d’efficacité computationnelle et de précision en segmentation, tout en utilisant moins de 11 millions de paramètres. Ce succès met en évidence la faisabilité d’un équilibre entre efficacité computationnelle élevée et précision optimale dans la segmentation d’images médicales. L’implémentation de LHU-Net est librement accessible à la communauté scientifique via GitHub (https://github.com/xmindflow/LHUNet).