Die Zunahme verfügbarer großer klinischer und experimenteller Datensätze hat zu einer erheblichen Anzahl bedeutender Beiträge im Bereich der biomedizinischen Bildanalyse beigetragen. Insbesondere die Bildsegmentierung, die für jede quantitative Analyse entscheidend ist, hat erhebliche Aufmerksamkeit erfahren. Durch Fortschritte in der Hardwarekonstruktion konnten tiefgreifende Lernansätze erfolgreich realisiert werden. Dennoch nutzen bestehende Methoden, obwohl tiefe Lernmodelle auf großen Datensätzen trainiert werden, die Informationen aus verschiedenen Lernepochen nicht effektiv aus. In dieser Arbeit nutzen wir die Informationen jeder Trainingsepoch, um die Vorhersagemuster der folgenden Epochen zu verfeinern. Wir stellen ein neuartiges Architekturkonzept vor, den Feedback-Attention-Netzwerk (FANet), das die Maske der vorherigen Epoch mit dem Merkmalsvektor der aktuellen Trainingsepoch vereint. Die Maske der vorherigen Epoch dient anschließend als harte Aufmerksamkeit, um die gelernten Merkmalsvektoren an verschiedenen konvolutionellen Schichten zu beeinflussen. Zudem ermöglicht das Netzwerk eine iterative Korrektur der Vorhersagen während der Testphase. Wir zeigen, dass unser vorgeschlagenes Feedback-Attention-Modell auf sieben öffentlich verfügbaren biomedizinischen Bild-Datensätzen eine signifikante Verbesserung der meisten Segmentierungsmetriken erzielt und somit die Wirksamkeit von FANet belegt. Der Quellcode ist unter \url{https://github.com/nikhilroxtomar/FANet} verfügbar.