La segmentation précise et fiable des images médicales est essentielle pour le diagnostic et le traitement des maladies. Ce task est particulièrement difficile en raison de la grande variété de tailles, de formes des objets et des modalités d’acquisition d’images. Récemment, de nombreux réseaux de neurones convolutifs (CNN) ont été conçus pour les tâches de segmentation et ont remporté des succès notables. Toutefois, peu d’études ont pleinement pris en compte la taille des objets, ce qui entraîne une performance médiocre de la plupart des modèles dans la segmentation des petits objets. Ce défaut peut avoir un impact significatif sur la détection précoce des maladies. Ce papier propose un nouveau modèle, le Context Axial Reserve Attention Network (CaraNet), afin d’améliorer la performance de segmentation des petits objets par rapport à plusieurs modèles récents de pointe. Nous avons évalué notre CaraNet sur des jeux de données de segmentation de tumeurs cérébrales (BraTS 2018) et de polypes (Kvasir-SEG, CVC-ColonDB, CVC-ClinicDB, CVC-300 et ETIS-LaribPolypDB). Les résultats montrent que CaraNet atteint la meilleure précision moyenne en termes de score Dice, démontrant ainsi un avantage marqué dans la segmentation des petits objets médicaux.