La segmentation des polypes, un enjeu crucial en imagerie médicale, a suscité de nombreuses méthodes proposées visant à améliorer la qualité des masques segmentés. Bien que les techniques actuelles de pointe produisent des résultats impressionnants, la taille volumineuse et le coût computationnel de ces modèles posent des défis importants pour leur application pratique dans l’industrie. Récemment, le modèle Segment Anything (SAM) a été proposé comme un modèle fondamental robuste, montrant un réel potentiel d’adaptation à la segmentation d’images médicales. Inspirés par cette approche, nous proposons SAM-EG, un cadre qui guide des modèles de segmentation légers pour la segmentation des polypes, afin de relever le défi du coût computationnel. Par ailleurs, dans cette étude, nous introduisons un module de guidage par contours, intégrant des informations de contours dans les caractéristiques d’image afin d’aider le modèle de segmentation à surmonter les difficultés liées aux frontières, présentes dans les modèles actuels pour cette tâche. À travers des expérimentations approfondies, nos modèles légers démontrent leur efficacité en atteignant des résultats compétitifs par rapport aux méthodes de pointe, offrant ainsi une voie prometteuse pour le développement de modèles compacts à haute précision, tant pour la segmentation des polypes que dans le domaine plus large de l’imagerie médicale.