La segmentation précise des tissus et des structures présents dans des IRM anatomique est indispensable à de nombreuses applications. Les approches les plus performantes reposent sur une modélisation markovienne de corrélation spatiale entre voxels et nécessitent donc l'estimation des paramètres du modèle sous-jacent (modèle de Potts). Des raffinements dans les algorithmes d'estimation n'étant pas suffisant pour la segmentation des structures, nous proposons d'introduire des connaissances anatomiques a priori exprimées par des relations spatiales imprécises entre structures. L'information acquise par la segmentation des structures est intégrée à son tour dans le processus markovien de segmentation des tissus, permettant aux différents processus de segmentation de s'enrichir mutuellement. Nous nous plaçons dans un environnement multi-agents où des entités autonomes distribuées dans l'image coopèrent à la mise en place de modèles markoviens locaux. Nous montrons alors sur des images fantômes et des images réelles acquises à 3 Tesla l'intérêt d'une modélisation markovienne distribuée et coopérative intégrant des connaissances anatomiques pour la segmentation des IRM.