Le cancer colorectal est l’une des causes les plus fréquentes de mortalité liée au cancer dans le monde. La détection et l’exérèse précoces des polypes peuvent contribuer à réduire la mortalité et à prévenir la propagation vers les organes voisins. Une détection précoce des polypes pourrait sauver la vie de millions de patients à travers le monde tout en allégeant la charge clinique. Toutefois, le taux de détection des polypes varie considérablement entre les endoscopistes. Bien que de nombreuses méthodes basées sur l’apprentissage profond aient été proposées, la plupart d’entre elles se concentrent principalement sur l’amélioration de la précision. Dans cette étude, nous proposons une nouvelle architecture, le Réseau de redressement par upsampling (RUPNet), pour la segmentation des polypes coliques, capable de fonctionner en temps réel tout en offrant une haute sensibilité et une haute précision. L’architecture proposée, RUPNet, est un réseau encodeur-décodeur composé de trois encodeurs, de trois blocs décodeurs, ainsi que de plusieurs blocs supplémentaires d’upsampling situés à la fin du réseau. Avec une taille d’image de $512 \times 512$512×512, la méthode proposée atteint une vitesse de traitement en temps réel exceptionnelle de 152,60 images par seconde, accompagnée d’un coefficient de Dice moyen de 0,7658, d’un IoU moyen de 0,6553, d’une sensibilité de 0,8049, d’une précision de 0,7995 et d’un score F2 de 0,9361. Les résultats indiquent que RUPNet permet d’offrir une rétroaction en temps réel tout en maintenant une haute précision, établissant ainsi une référence solide pour la détection précoce des polypes.