Dans cet article, une approche simple et efficace du point de vue computationnel, en fonction de sa complexité, est proposée pour la segmentation automatique des lésions cutanées à l’aide d’une architecture d’apprentissage profond appelée SegNet, complétée par certaines spécifications supplémentaires visant à améliorer les résultats. Un objectif secondaire consiste à réduire au minimum les étapes de prétraitement et de post-traitement des images. Le modèle présenté est entraîné sur un ensemble limité d’images provenant du jeu de données PH2, comprenant des images dermoscopiques, manuellement segmentées, ainsi que leurs masques correspondants, le diagnostic clinique et l’identification de diverses structures dermoscopiques effectuées par des dermatologues expérimentés. L’objectif est d’atteindre un seuil de performance en indice de Jaccard (IOU) de 92 % après évaluation.