Les graph cuts sont désormais un standard au sein de la communauté de la vision par ordinateur. Néanmoins, leur grande consommation mémoire reste un problème majeur : les graphes sous-jacents contiennent des milliards de noeuds et davantage d'arcs. Excepté quelques méthodes [14, 10, 5] exactes, les heuristiques présentes dans la littérature ne permettent d'obtenir qu'une solution approchée [12, 8]. Dans un premier temps, nous présentons une nouvelle stratégie pour réduire exactement ces graphes : le graphe est construit en ajoutant les noeuds qui satisfont localement une condition donnée et correspond à une bande étroite autour des contours de l'objet à segmenter. Les expériences présentées pour segmenter des images en niveaux de gris et en couleur mettent en évidence une faible consommation mémoire tout en garantissant une faible distance sur les segmentations. Nous présentons aussi une application de cette méthode pour segmenter des tumeurs dans des images scanner.