Die präzise und zuverlässige Segmentierung medizinischer Bilder ist entscheidend für die Diagnose und Behandlung von Krankheiten. Dies stellt eine herausfordernde Aufgabe dar, bedingt durch die große Vielfalt an Objektgrößen, -formen und Bildgebungstechniken. In jüngster Zeit wurden zahlreiche Faltungsneuronale Netze (CNN) für Segmentierungsaufgaben entwickelt und haben erhebliche Erfolge erzielt. Allerdings berücksichtigen nur wenige Studien die Objektgrößen ausreichend, weshalb die meisten Modelle eine schlechte Leistung bei der Segmentierung kleiner Objekte aufweisen. Dies kann erhebliche Auswirkungen auf die Früherkennung von Erkrankungen haben. In diesem Artikel wird ein Context Axial Reserve Attention Network (CaraNet) vorgestellt, das die Segmentierungsgenauigkeit kleiner Objekte im Vergleich zu mehreren jüngsten State-of-the-Art-Modellen erheblich verbessert. Wir evaluieren unser CaraNet an mehreren Datensätzen zur Segmentierung von Hirntumoren (BraTS 2018) und Polypen (Kvasir-SEG, CVC-ColonDB, CVC-ClinicDB, CVC-300 und ETIS-LaribPolypDB). Unser CaraNet erreicht die bestmögliche mittlere Dice-Segmentierungsgenauigkeit und zeigt deutliche Vorteile bei der Segmentierung kleiner medizinischer Objekte.