L’identification des cellules dans les images microscopiques constitue une étape essentielle dans la recherche en biologie cellulaire fondée sur l’image. La segmentation d’instances cellulaires permet d’étudier de manière approfondie la forme, la structure, la morphologie et la taille des cellules. Les approches basées sur l’apprentissage profond pour la segmentation d’instances cellulaires reposent sur des masques de segmentation d’instances pour chaque cellule, une tâche qui est à la fois fastidieuse et coûteuse. Un volume important de données microscopiques non étiquetées est disponible dans le domaine de la biologie cellulaire, mais en raison de la complexité et du coût élevé des annotations nécessaires aux méthodes de segmentation d’instances cellulaires, le potentiel réel de ces données n’est pas pleinement exploité. Ce papier présente une approche faiblement supervisée capable de réaliser la segmentation d’instances cellulaires à l’aide uniquement d’étiquettes ponctuelles et de boîtes englobantes. Cette méthode réduit considérablement les efforts d’annotation. L’approche proposée a été évaluée sur un jeu de données de référence, le LIVECell, où, en utilisant uniquement une boîte englobante et des points aléatoires placés sur chaque cellule, elle a atteint un score de précision moyenne (mAP) de 43,53 %, soit un résultat comparable à celui obtenu par une méthode entièrement supervisée entraînée avec des masques de segmentation complets. En outre, l’annotation à l’aide de boîtes englobantes et de points est 3,71 fois plus rapide que l’annotation complète par masque.