La détection des anévrismes intracrâniens à partir d’images d’angiographie par résonance magnétique (MRA) est un problème dont l’importance clinique croît rapidement, mais qui est par ailleurs extrêmement difficile à automatiser. Cependant, ces 3 dernières années ont connu une augmentation du recours à des réseaux de neurones convolutifs et suscité un corpus de méthodes qui ont surmonté cette impasse technologique et avec des performances de détection convaincantes. Le problème majeur à résoudre est le très déséquilibre de classes présenté dans les données. Les travaux précédents ont concentré leurs études sur l’architecture du réseau et la fonction de coût. De manière complémentaire, cet article se concentre sur les données. Une annotation approximative et rapide est proposée : chaque anévrisme est approché par une sphère définie par deux points. Par ailleurs, une approche par patchs est adoptée afin d’augmenter le nombre d’échantillons. Enfin, les échantillons sont générés par une combinaison de sélection de données (les patchs négatifs sont centrés pour moitié sur les vaisseaux sanguins et pour moitié sur le parenchyme) et de synthèse de données (les patchs contenant un anévrisme sont dupliqués et déformés par une transformation spline 3D). Cette stratégie est appliquée pour entraîner un réseau standard 3D U-net, avec l’entropie-croisée binaire comme fonction de coût, sur un ensemble de données de 111 patients. De très bonnes performances ont été évaluée par validation croisée à 5 blocs (sensibilité 0.82, nombre de faux positifs 0.61, selon les critères du challenge ADAM 1). L’étude fournit également une comparaison avec la fonction de coût Focal, et le coefficient Kappa de Cohen s’avèreêtre une meilleure métrique que Dice pour ce problème de détection très déséquilibré.