Die effiziente Segmentierung von Polypen in der Gesundheitsversorgung spielt eine entscheidende Rolle für die Früherkennung von Kolorektalkrebs. Die Segmentierung von Polypen stellt jedoch zahlreiche Herausforderungen dar, darunter die komplizierte Verteilung der Hintergründe, die Vielzahl an Polypengrößen und -formen sowie die unscharfen Grenzen. Die Definition der Grenze zwischen dem Vordergrund (d. h. dem Polyp selbst) und dem Hintergrund (dem umgebenden Gewebe) ist dabei besonders schwierig. Um diese Probleme zu bewältigen, schlagen wir ein speziell für die Segmentierung von Polypen in Koloskopiebildern entwickeltes Netzwerk namens Multi-Scale Edge-Guided Attention Network (MEGANet) vor. Dieses Netzwerk leitet seine Inspiration aus der Kombination einer klassischen Kantenerkennungstechnik mit einem Aufmerksamkeitsmechanismus. Durch die Integration dieser Ansätze bewahrt MEGANet effektiv hochfrequente Informationen, insbesondere Kanten und Grenzen, die bei zunehmender Tiefe von neuronalen Netzwerken tendenziell verloren gehen. MEGANet ist als ein end-to-end-Framework konzipiert und umfasst drei zentrale Module: einen Encoder, der für die Erfassung und Abstraktion von Merkmalen aus dem Eingabebild verantwortlich ist; einen Decoder, der sich auf auffällige Merkmale konzentriert; sowie das Edge-Guided Attention-Modul (EGA), das den Laplace-Operator nutzt, um die Polypgrenzen zu verstärken. Umfangreiche Experimente – sowohl qualitativ als auch quantitativ – an fünf etablierten Benchmark-Datensätzen zeigen, dass unser MEGANet andere bestehende State-of-the-Art-Methoden unter sechs Evaluationsmetriken übertrifft. Der Quellcode ist unter https://github.com/UARK-AICV/MEGANet verfügbar.