Wir stellen das Uncertainty Augmented Context Attention Network (UACANet) für die Polypensegmentierung vor, das eine unsichere Region der Aufmerksamkeitskarte berücksichtigt. Wir entwickeln eine modifizierte Version des U-Net-Architekturtyps mit zusätzlichen Encoder- und Decoder-Teilen und berechnen in jedem Bottom-up-Stream-Vorhersagemodul eine Aufmerksamkeitskarte, die anschließend an das nächste Vorhersagemodul weitergeleitet wird. In jedem Vorhersagemodul wird die zuvor vorhergesagte Aufmerksamkeitskarte genutzt, um Karten für Vordergrund, Hintergrund und unsichere Region zu erzeugen. Anschließend aggregieren wir die Merkmalskarte mit den drei Bereichskarten für jede Darstellung. Anschließend berechnen wir die Beziehung zwischen jeder Darstellung und jedem Pixel in der Merkmalskarte. Wir führen Experimente an fünf etablierten Benchmarks für Polypensegmentierung durch: Kvasir, CVC-ClinicDB, ETIS, CVC-ColonDB und CVC-300, und erreichen dabei den Stand der Technik. Insbesondere erzielen wir auf dem ETIS-Datensatz einen mittleren Dice-Score von 76,6 %, was einer Verbesserung um 13,8 % gegenüber der vorherigen State-of-the-Art-Methode entspricht. Der Quellcode ist öffentlich über https://github.com/plemeri/UACANet verfügbar.