Depuis son introduction, UNet s’est imposée comme une référence dans une variété de tâches de segmentation d’images médicales. Bien que de nombreuses études ultérieures aient été consacrées à l’amélioration des performances du modèle UNet standard, peu d’entre elles ont mené une analyse approfondie des motifs d’apprentissage sous-jacents au sein de UNet pour la segmentation d’images médicales. Dans cet article, nous explorons les motifs appris par UNet et identifions deux facteurs importants pouvant influencer sa performance : (i) l’apprentissage de caractéristiques non pertinentes résultant d’une supervision asymétrique ; (ii) la redondance des caractéristiques présentes dans les cartes de caractéristiques. À cette fin, nous proposons d’équilibrer la supervision entre l’encodeur et le décodeur, tout en réduisant les informations redondantes au sein de UNet. Plus précisément, nous utilisons la carte de caractéristiques contenant la plus grande quantité d’information sémantique (c’est-à-dire la dernière couche du décodeur) pour fournir une supervision supplémentaire aux autres blocs, tout en réduisant la redondance par le biais d’une distillation de caractéristiques. La méthode proposée peut être intégrée de manière simple et directe dans l’architecture UNet existante, de façon plug-and-play, avec un coût computationnel négligeable. Les résultats expérimentaux montrent que la méthode proposée améliore de manière cohérente les performances des UNet standards sur quatre jeux de données de segmentation d’images médicales. Le code est disponible à l’adresse suivante : \url{https://github.com/ChongQingNoSubway/SelfReg-UNet}