La segmentation est une tâche fondamentale dans l'analyse d'images médicales. Cependant, la plupart des méthodes existantes se concentrent sur l'extraction de régions primaires et négligent les informations de bord, qui sont utiles pour obtenir une segmentation précise. Dans cet article, nous proposons une méthode générique de segmentation médicale, appelée Réseau de Guidance par l'Attention aux Bords (Edge-aTtention guidance Network - ET-Net), qui intègre des représentations d'attention aux bords pour guider le réseau de segmentation. Plus précisément, un module de guidance par les bords est utilisé pour apprendre ces représentations d'attention aux bords dans les premières couches d'encodage, avant de les transférer aux couches de décodage multi-échelles, où elles sont fusionnées à l'aide d'un module d'agrégation pondérée. Les résultats expérimentaux sur quatre tâches de segmentation (à savoir, la segmentation du disque/cuvette optique et des vaisseaux sanguins dans les images rétiniennes, ainsi que la segmentation des poumons dans les radiographies thoraciques et les images TDM) montrent que la préservation des représentations d'attention aux bords contribue à l'amélioration de la précision finale de la segmentation, et que notre méthode proposée surpasses les méthodes actuelles d'état de l'art en matière de segmentation. Le code source de notre méthode est disponible à l'adresse suivante : https://github.com/ZzzJzzZ/ETNet.