Depuis l’évolution du deep learning au cours de la dernière décennie, de nombreux problèmes biomédicaux autrefois considérés comme complexes sont désormais abordables. L’introduction des architectures U-Net et Mask R-CNN a ouvert la voie à de nombreuses tâches de détection et de segmentation dans diverses applications, allant de la sécurité à la biomédecine. Dans le domaine de la biologie cellulaire, l'imagerie par microscopie optique fournit une source économique et accessible de données brutes pour étudier les phénomènes biologiques. En exploitant ces données conjointement avec les techniques de deep learning, le diagnostic des maladies humaines devient plus facile, et le processus de développement des traitements peut être considérablement accéléré. Dans l’imagerie microscopique, une segmentation précise des cellules individuelles constitue une étape cruciale pour mieux comprendre l’hétérogénéité cellulaire. Afin de répondre aux défis mentionnés ci-dessus, nous proposons dans cet article DeepCeNS, une méthode pour détecter et segmenter les cellules et leurs noyaux dans les images microscopiques. Nous avons utilisé le jeu de données EVICAN2, qui comprend des images microscopiques provenant de divers microscopes et couvrant de nombreuses cultures cellulaires, afin d’évaluer la performance du pipeline proposé. DeepCeNS surpasse significativement EVICAN-MRCNN sur le jeu de données EVICAN2.