Die Polypensegmentierung, eine zentrale Herausforderung im Bereich der medizinischen Bildanalyse, hat zahlreiche vorgeschlagene Methoden hervorgebracht, die darauf abzielen, die Qualität der segmentierten Masken zu verbessern. Obwohl aktuelle State-of-the-Art-Techniken beeindruckende Ergebnisse erzielen, stellen die Größe und die rechnerischen Kosten dieser Modelle erhebliche Hindernisse für praktische Anwendungen in der Industrie dar. Kürzlich wurde das Segment Anything Model (SAM) als robustes Grundmodell vorgestellt, das vielversprechende Anpassungsmöglichkeiten für die Segmentierung medizinischer Bilder zeigt. Inspiriert durch dieses Konzept präsentieren wir SAM-EG, einen Rahmen, der kleine Segmentierungsmodelle für die Polypensegmentierung leitet, um die Herausforderung der hohen Rechenkosten zu bewältigen. Zudem führen wir in dieser Studie das Edge Guiding-Modul ein, das Kantendaten in die Bilddaten integriert, um das Segmentierungsmodell bei der Bewältigung von Randproblemen in dieser Aufgabe zu unterstützen. Durch umfangreiche Experimente demonstrieren unsere kleinen Modelle ihre Wirksamkeit, indem sie Ergebnisse erzielen, die mit den besten aktuellen Methoden konkurrieren. Damit bietet sich ein vielversprechender Ansatz zur Entwicklung kompakter, hochgenauer Modelle für die Polypensegmentierung und darüber hinaus für den breiteren Bereich der medizinischen Bildanalyse.