La endoscopia, un instrumento omnipresente para el diagnóstico y tratamiento de estructuras anatómicas huecas, convencionalmente requiere la ardua revisión manual de expertos médicos experimentados. Sin embargo, los recientes avances en tecnologías de aprendizaje profundo ofrecen nuevas avenidas para la investigación, dotándola del potencial para una mayor robustez y precisión, acompañada de la promesa de reducción de costos en los procedimientos de detección, al mismo tiempo que proporciona una asistencia sustancial a los profesionales clínicos. En esta investigación, presentamos una técnica innovadora para la identificación de anomalías en imágenes endoscópicas, denominada Fusión de Características Mejorada por Contexto con Convolución Consciente de Bordes (GFFBAC). Empleamos la metodología de Fusión de Características Mejorada por Contexto (CEFF), respaldada por Redes Neuronales Convolucionales (CNNs), para establecer un equilibrio entre los niveles de las pirámides de características. Estas características intrincadamente aprovechadas se amalgaman posteriormente en el módulo de Convolución Consciente de Bordes (BAC) para reforzar tanto las facultades de localización como de clasificación. Una exploración exhaustiva realizada en tres conjuntos de datos dispares ilustra que la propuesta no solo supera a sus contemporáneos en rendimiento de detección de objetos, sino que también produce cajas de detección de mayor precisión.