Dans ce travail, nous proposons un processus de prétraitement pour la segmentation d'images basé sur une équation de diffusion anisotrope en utilisant des statistiques robustes. Nous montrons que le filtrage des données, couplé à la préservation des contours, aide à la segmentation du membre supérieur (l'épaule) dans une base de données IRM. Ainsi le principe de fonctionnement de l'équation de la diffusion anisotrope est contrôlé à l'aide d'une fonction d'arrêt automatique qui dépend des valeurs des gradients des voxels. Ces valeurs sont réparties en deux classes : élevées pour les voxels correspondant aux contours ou au bruit, faibles sinon. Ce processus dépend aussi d'un paramètre gradient seuil permettant de séparer ces deux populations de gradients. Une estimation globale de ce paramètre est classiquement utilisée. Nous proposons ici, une nouvelle méthode d'estimation robuste, locale, et montrons qu'elle permet de mieux éliminer le bruit dans l'image tout en gardant intacts les contours. La capacité du modèle à éliminer le bruit est quantifiée par un critère d'entropie sur des données synthétiques ayant différents niveaux de bruit. Un autre critère d'évaluation quantitative basé sur la Figure de Mérite de Pratt est proposé afin d'évaluer la qualité de la préservation des contours ainsi que la précision de leur localisation par rapport à une segmentation manuelle. Les résultats sur données synthétiques et sur un volume IRM d'épaule montre les atouts du modèle local par rapport au modèle global, en termes d'homogénéité des régions obtenues et en termes de localisation des contours.