Cet article présente une méthode de segmentation automatique basée sur la Marche Aléatoire (MA). Face à certains problèmes de l'algorithme original telles que la dépendance vis-à-vis du choix de l'hyperparamètre \beta, ainsi que la probabilité d'un marcheur d'aller vers un label, fonction exclusivement du gradient d'intensité des niveaux de gris, nous proposons une approche permettant de résoudre ces problèmes. Elle consiste à rendre l'hyperparamètre \beta adaptatif et à intégrer la densité de probabilité des labels dans le système d'équations linéaires utilisé dans la MA. Nous avons développé une nouvelle version de la marche aléatoire permettant de segmenter les tumeurs en imagerie médicale par Tomographie d'Emission de Positons (TEP). Les résultats obtenus sur un fantôme physique et sur des données patients montrent que notre méthode est meilleure que l'algorithme original et une méthode récente de la littérature.