La segmentation et la classification automatisées des noyaux cellulaires constituent des étapes clés pour analyser et comprendre les caractéristiques et la fonctionnalité cellulaires, soutenant ainsi le diagnostic pathologique numérique assisté par ordinateur. Toutefois, cette tâche reste difficile en raison des variations intrinsèques de taille, d’intensité et de morphologie observées entre les différents types de noyaux. Dans cet article, nous proposons un réseau neuronal à régression ordonnée auto-guidée pour la segmentation et la classification simultanées des noyaux, capable d’exploiter les caractéristiques intrinsèques des noyaux tout en se concentrant sur les régions à forte incertitude durant l’entraînement. Le réseau proposé reformule la segmentation des noyaux comme un apprentissage par régression ordonnée en introduisant une stratégie de discrétisation basée sur la diminution de distance, qui permet de stratifier les noyaux de manière à séparer les régions internes, présentant une forme régulière, des régions externes, aux formes irrégulières. Il intègre également une stratégie d’entraînement auto-guidée permettant d’ajuster de manière adaptative les poids associés aux pixels nucléaires en fonction de leur difficulté, évaluée par le réseau lui-même. Pour évaluer les performances du réseau proposé, nous utilisons des jeux de données à grande échelle sur plusieurs tissus, comprenant 276 349 noyaux annotés de manière exhaustive. Nos résultats montrent que le réseau proposé atteint un niveau d’performance de pointe dans les tâches de segmentation et de classification des noyaux, surpassant plusieurs méthodes récentes développées spécifiquement pour la segmentation et/ou la classification.