Le néphroblastome (ou tumeur de Wilms) touche le rein et est la tumeur cancéreuse abdominale infantile la plus fréquente. Lors de la thérapie, il est recommandé de préserver au mieux les fonctions rénales en sauvegardant le rein pathologique sous certaines conditions. L’information issue de l’imagerie est importante pour déterminer précisément ces conditions, mais nécessite une segmentation des images scanners. Cette tâche étant très chronophage, il est courant que cette information ne soit pas exploitée pleinement. L’Intelligence Artificielle (IA) représente une voie prometteuse pour l’automatisation des segmentations mais elle nécessite généralement une grande quantité de données d'apprentissage. En particulier, le Raisonnement à Partir de Cas (RàPC) est une approche IA orientée connaissance qui intègre une connaissance métier et une adaptation d’une solution existante pour optimiser la résolution d'un nouveau problème. Les réseaux de neurones convolutifs (CNNs) forment quant à eux une approche purement basée sur l'expérience. Nous proposons un système RàPC couplé à un algorithme de croissance de régions pour réaliser la segmentation de reins déformés par un néphroblastome. En parallèle, une méthode d’entraînement pour des CNNs, intitulée OV[exposant]2ASSION, est également proposée pour la segmentation de la tumeur. Les deux approches ont pour but de pallier un manque de données d’apprentissage (peu de segmentations de néphroblastomes et de reins pathologiques sont disponibles). Les évaluations montrent de bonnes performances avec le calcul des segmentations proches de celles faites par les radiologues et les chirurgiens.