La segmentation d'images est une opération intermédiaire courante dans de nombreuses applications de traitement d'images. Sur les systèmes automatisés, il est important d'évaluer leurs performances, ou celles de leurs sous-systèmes, sans accès à la vérité terrain. Dans la segmentation d'images basée sur le Deep Learning, il existe très peu de méthodes pour évaluer la qualité du résultat sans utiliser une vérité terrain. La plupart d'entre elles sont basées sur l'incertitude (variance ou écart type) de la prédiction et peuvent être appliqués aux réseaux de neurones bayésiens, mais pas aux réseaux de neurones convolutifs. Dans cette recherche, nous proposons d'utiliser l'Entropie comme mesure d'incertitude appliquée à l'image segmentée prédite par le Réseau Neuronal et à certains indicateurs basés sur celle-ci. La méthode est testée dans une tâche de segmentation d’images cutanées étiquetées. Les indicateurs basés sur l'entropie sont évalués sans connaître la vérité terrain et comparés à des indicateurs basés sur les étiquettes réelles (Jaccard, Dice et Average Symmetrical Surface Distance). Cette expérimentation a montré qu'ils sont corrélés et que certains indicateurs basés sur l'entropie peuvent assez bien prédire les indicateurs basés sur la vérité terrain.