L’apprentissage non-apparié par des réseaux de type CycleGAN est de plus en plus utilisé pour l’adaptation de domaines et trouve de nombreuses applications notamment en imagerie médicale. Des détails comme les tumeurs peuvent toutefois disparaître lors du transfert, un problème critique en imagerie du cancer. Dans ce travail, nous proposons une méthode pour encourager le maintien de structures d’intérêts 3D après synthèse non-appariée. Nous transférons la tumeur de la modalité source à la modalité cible grâce à une nouvelle application d’un modèle génératif one-shot SinGAN entraîné sur une unique image 2D. Nous exploitons ensuite cette technique dans une nouvelle architecture de segmentation inter-modale de tumeur en l’absence de labels cible