La plupart des méthodes existantes de segmentation des tumeurs cérébrales exploitent généralement des images d’imagerie par résonance magnétique (IRM) multi-modales afin d’obtenir de hautes performances de segmentation. Toutefois, en pratique clinique, il arrive fréquemment que certaines modalités d’images soient manquantes, ce qui entraîne une dégradation sévère des performances de segmentation. Dans ce travail, nous proposons un réseau de fusion sensible aux régions (RFNet), capable d’exploiter de manière adaptative et efficace différentes combinaisons de données multi-modales pour la segmentation des tumeurs. Étant donné que différentes modalités sont sensibles à différentes régions des tumeurs cérébrales, nous avons conçu un module de fusion sensible aux régions (RFM) au sein de RFNet, permettant de fusionner les caractéristiques des modalités disponibles en fonction des régions spécifiques. Grâce à ce module RFM, RFNet peut segmenter de manière adaptative les régions tumorales à partir d’un ensemble incomplet d’images multi-modales en agrégeant efficacement les caractéristiques des modalités. En outre, nous avons également développé un régulariseur basé sur la segmentation afin de prévenir un apprentissage insuffisant et déséquilibré de RFNet causé par la présence de données multi-modales incomplètes. Plus précisément, outre la segmentation obtenue à partir des caractéristiques fusionnées des modalités, nous effectuons également une segmentation indépendante de chaque modalité à partir de ses caractéristiques encodées correspondantes. Cette approche force chaque encodeur modal à apprendre des caractéristiques discriminantes, améliorant ainsi la capacité de représentation des caractéristiques fusionnées. Notamment, des expériences étendues sur les jeux de données BRATS2020, BRATS2018 et BRATS2015 démontrent que notre RFNet surpasse significativement les méthodes de pointe.