Cet article présente une nouvelle architecture supervisée de réseau de neurones convolutifs, nommée « DUCK-Net », capable d’apprendre efficacement et de généraliser à partir de petits jeux de données d’images médicales afin de réaliser des tâches de segmentation précises. Notre modèle repose sur une structure encodeur-décodeur intégrant un mécanisme de downsampling résiduel ainsi qu’un bloc convolutif personnalisé, permettant de capturer et de traiter l’information d’image à plusieurs résolutions dans la partie encodeur. Nous utilisons des techniques d’augmentation de données afin d’enrichir l’ensemble d’apprentissage, ce qui améliore significativement la performance de notre modèle. Bien que notre architecture soit polyvalente et applicable à diverses tâches de segmentation, nous démontrons ici spécifiquement ses capacités pour la segmentation des polypes dans les images de coloscopie. Nous évaluons la performance de notre méthode sur plusieurs jeux de données standards populaires pour la segmentation des polypes : Kvasir-SEG, CVC-ClinicDB, CVC-ColonDB et ETIS-LARIBPOLYPDB. Les résultats montrent que notre approche atteint des performances de pointe en termes de coefficient de Dice moyen, d’indice de Jaccard, de Précision, de Rappel et d’Exactitude. Notre méthode démontre une capacité de généralisation remarquable, atteignant des performances excellentes même avec des données d’entraînement limitées. Le code source est disponible publiquement sur GitHub : https://github.com/RazvanDu/DUCK-Net