La segmentation d'images médicales présente des défis sans précédent par rapportà la segmentation d'images naturelles, en particulierà cause de la rareté des images annotées. Dans cet article, nous nous plaçons dans le cadre de la segmentation des organesà risque thoraciques dans les images tomodensitométriques, objet de la compétition en cours SegTHOR 2019. Alors que le cadre de l'apprentissage supervisé (c'est-à-dire annotation au niveau des pixels) est considéré dans cette compétition, nous cherchons dans cet articleà aller plus loin en exploitant le paradigme de la segmentation faiblement supervisée, c'està dire en apprenant avec uniquement des boites englobant les organeś etudiés. Après uneétape de pré-traitement, la méthode proposée opère un apprentissage ensembliste basé sur l'algorithme GrabCut, afin de transformer les images initiales en images annotées au niveau des pixels. Ensuite, un réseau neuronal profond est appris sur les images médicales, où plusieurs fonctions de perte sont examinées. Les expériences montrent la pertinence de la méthode proposée, fournissant des résultats comparablesà ceux de la segmentation entièrement supervisée.