Contexte : Une entreprise médicale souhaite segmenter différents types de tissus sur imagerie complexe. Le Problème : Les modèles simples échouent à distinguer correctement plusieurs classes fines. Contraintes : Concevoir architecture avancée (U-Net amélioré). Adapter fonction de perte multi-classes (Dice ou cross-entropy). Évaluer via IoU par classe. Livrable attendu : Proposer un modèle de segmentation multi-classes complet avec stratégie d’évaluation détaillée.