Nous proposons le réseau d’attention contextuelle augmentée par l’incertitude (UACANet) pour la segmentation des polypes, prenant en compte une région incertaine de la carte de salience. Nous concevons une version modifiée du réseau U-Net, dotée d’un encodeur et d’un décodeur supplémentaires, et calculons une carte de salience dans chaque module de prédiction en cascade descendante, que nous propageons vers le module de prédiction suivant. Dans chaque module de prédiction, la carte de salience prédite précédemment est utilisée pour calculer les cartes correspondant au fond, au premier plan et à la région incertaine. Nous agrégons ensuite la carte de caractéristiques avec les trois cartes de régions pour chaque représentation. Ensuite, nous évaluons les relations entre chaque représentation et chaque pixel de la carte de caractéristiques. Nous menons des expériences sur cinq benchmarks populaires pour la segmentation des polypes : Kvasir, CVC-ClinicDB, ETIS, CVC-ColonDB et CVC-300, et obtenons des performances de pointe. En particulier, nous atteignons un Dice moyen de 76,6 % sur le jeu de données ETIS, soit une amélioration de 13,8 % par rapport à la méthode précédente de pointe. Le code source est disponible publiquement à l’adresse suivante : https://github.com/plemeri/UACANet