Les indices morphologiques des différentes cellules cancéreuses sont essentiels pour les pathologistes afin de déterminer les stades du cancer. Afin d’obtenir des informations morphologiques quantitatives, nous proposons un réseau end-to-end pour la segmentation panoptique d’images de pathologie. Récemment, de nombreuses méthodes ont été proposées, se concentrant sur la segmentation cellulaire au niveau sémantique ou au niveau d’instance. Contrairement aux méthodes existantes de segmentation cellulaire, le réseau proposé unifie la détection, la localisation des objets et l’affectation d’informations de classe au niveau des pixels aux régions présentant de fortes superpositions, telles que le fond. Cette unification est obtenue grâce à l’optimisation d’une nouvelle perte sémantique, de la perte de boîtes englobantes du réseau de propositions d’objets (RPN), de la perte du classificateur du RPN, de la perte du classificateur fond-avant-plan de la tête de segmentation au lieu d’une perte spécifique à la classe, de la perte de boîte englobante de l’objet cellulaire proposé, ainsi que de la perte de masque de l’objet cellulaire. Les résultats démontrent que la méthode proposée non seulement surpasser les approches de pointe sur le jeu de données du défi de pathologie numérique MICCAI 2017, mais aussi offrir une solution efficace et end-to-end au défi de la segmentation panoptique.