La détection et le segmentage précis des polypes assistés par ordinateur lors des examens de coloscopie peuvent aider les endoscopistes à résectionner les tissus anormaux, réduisant ainsi les risques que ces polypes se transforment en cancer. Dans le but de développer un modèle entièrement automatisé pour le segmentage pixel par pixel des polypes, nous proposons ResUNet++, une architecture améliorée de ResUNet pour le segmentage d'images coloscopiques. Nos évaluations expérimentales montrent que l'architecture proposée produit de bons résultats de segmentation sur des jeux de données publiquement disponibles. De plus, ResUNet++ surpasse significativement U-Net et ResUNet, deux architectures clés du domaine de l'apprentissage profond, en obtenant des scores d'évaluation élevés avec un coefficient Dice de 81,33 % et une moyenne du rapport Intersection sur Union (mIoU) de 79,27 % pour le jeu de données Kvasir-SEG, ainsi qu'un coefficient Dice de 79,55 % et une mIoU de 79,62 % pour le jeu de données CVC-612.