Die medizinische Bildsegmentierung ist eine Technik, die Ärzten hilft, eine genaue Diagnose zu stellen, insbesondere bei Darmkrebs (Colorectal Cancer). Insbesondere mit der Zunahme von Fällen muss die Diagnose und Identifikation für viele Patienten schneller und präziser erfolgen. In endoskopischen Bildern ist die Segmentierungsaufgabe entscheidend, um Ärzten bei der korrekten Identifizierung der Position von Polypen oder Schmerzen im System zu helfen. Daher wurden zahlreiche Bemühungen unternommen, um tiefes Lernen anzuwenden, um die automatische Segmentierung von Polypen zu verbessern, wobei insbesondere die U-förmige Struktur optimiert werden sollte. Allerdings führt das einfache Skip-Connection-Schema in UNet zu einem Mangel an Kontextinformationen und einem semantischen Abstand zwischen den Feature Maps des Encoders und Decoders. Um dieses Problem zu lösen, schlagen wir ein neues Framework vor, das aus einem ConvNeXt-Rückgrat und einem Multi-Kernel-Positionalem Einbettungsblock besteht. Dank des vorgeschlagenen Moduls kann unsere Methode eine höhere Genauigkeit und bessere Generalisierung bei der Segmentierung von Polypen erzielen. Ausführliche Experimente zeigen, dass unser Modell auf dem Kvasir-SEG-Datensatz einen Dice-Koeffizienten von 0,8818 und einen IOU-Wert von 0,8163 erreicht. Darüber hinaus erzielen wir vergleichbare Leistungsresultate mit anderen bisherigen Stand der Technik-Methoden auf verschiedenen Datensätzen.