La coloscopie est une méthode courante et efficace pour détecter et traiter les polypes. La segmentation des polypes à partir d’images de coloscopie est utile pour le diagnostic et le suivi chirurgical. Toutefois, obtenir de bonnes performances en segmentation reste difficile en raison de caractéristiques propres aux polypes, telles que leur forme, leur couleur, leur état et leur faible distinction par rapport au contexte environnant. Ce travail présente une nouvelle architecture originale, nommée ADSNet (Adaptation of Distinct Semantics for Uncertain Areas in Polyp Segmentation), qui corrige les détails mal classifiés et restaure les caractéristiques faibles susceptibles de disparaître et de ne pas être détectées à l’étape finale. L’architecture comporte un décodeur trilatéral complémentaire permettant de générer une carte globale précoce. Un module d’attention continue ajuste les sémantiques des caractéristiques de haut niveau afin d’analyser deux sémantiques distinctes de cette carte globale initiale. La méthode proposée a été évaluée sur des benchmarks de polypes en termes d’aptitude d’apprentissage et de généralisation. Les résultats expérimentaux démontrent une capacité remarquable de correction et de récupération, conduisant à de meilleures performances en segmentation par rapport aux méthodes de pointe existantes dans la tâche de segmentation des images de polypes. En particulier, l’architecture proposée peut être facilement adaptée à d’autres encodeurs basés sur CNN, sur Transformer, ainsi qu’à diverses architectures de décodeurs.