In den letzten Jahren hat die Polypensegmentierung an Bedeutung gewonnen, und es wurden zahlreiche Methoden entwickelt, die CNN-, Vision Transformer- und Transformer-Techniken einsetzen, um wettbewerbsfähige Ergebnisse zu erzielen. Dennoch stoßen diese Ansätze häufig auf Schwierigkeiten bei der Behandlung von Out-of-Distribution-Datensätzen, fehlenden Grenzlinien und kleinen Polypen. Im Jahr 2022 wurde Meta-Former als neue Baseline für die Bildverarbeitung vorgestellt, die nicht nur die Leistungsfähigkeit von Multi-Task-Bildverarbeitung verbesserte, sondern auch die Grenzen der Vision Transformer- und CNN-basierten Architekturen adressierte. Um die Segmentierung weiter zu verbessern, schlagen wir eine Fusion von Meta-Former mit UNet vor und führen einen Multi-Scale Upsampling-Block mit einer Level-Up-Kombination im Dekoder-Stadium ein, um die Texturinformationen zu stärken. Zudem stellen wir den Convformer-Block vor, der auf der Idee von Meta-Former basiert und die kritischen lokalen Merkmale verstärkt. Diese Blöcke ermöglichen die Kombination globaler Informationen – wie der Gesamtform des Polypen – mit lokalen und Randinformationen, was für die medizinische Segmentierung entscheidend ist. Unser vorgeschlagener Ansatz erzielte wettbewerbsfähige Ergebnisse und erreichte die Spitzenleistung im Stand der Technik auf den Datensätzen CVC-300, Kvasir und CVC-ColonDB. Abgesehen von Kvasir-SEG handelt es sich bei den anderen um Out-of-Distribution-Datensätze. Die Implementierung ist unter folgender Adresse verfügbar: https://github.com/huyquoctrinh/MetaPolyp-CBMS2023.