Le cancer colorectal est l’une des tumeurs malignes les plus fréquentes et peut évoluer à partir de polypes coliques à haut risque. La coloscopie constitue un outil de dépistage efficace pour détecter et retirer ces polypes, en particulier les lésions précancéreuses. Toutefois, dans la pratique clinique, le taux de non-détection reste relativement élevé en raison de nombreux facteurs. L’application de modèles d’intelligence artificielle pour une segmentation automatique des polypes pourrait grandement améliorer cette procédure, en fournissant des informations précieuses pour optimiser la détection des polypes coliques. Néanmoins, une segmentation précise reste un défi en raison des grandes variations observées chez les polypes en termes de taille, de forme, de texture et de couleur. Ce papier propose une nouvelle architecture de réseau neuronal appelée AG-CUResNeSt, qui améliore les Coupled UNets en intégrant un noyau robuste ResNeSt ainsi que des portes d’attention. Ce réseau est capable de combiner efficacement des caractéristiques à plusieurs niveaux afin d’obtenir une segmentation précise des polypes. Les résultats expérimentaux sur cinq jeux de données standard largement utilisés démontrent que la méthode proposée atteint une précision de pointe par rapport aux approches existantes.