Faltungsschichtneuronale Netze (CNNs) wurden auf eine Vielzahl von Aufgaben im Bereich der Computer Vision angewendet. Neuere Fortschritte im Bereich der semantischen Segmentierung haben es ermöglicht, sie auch für die Segmentierung medizinischer Bilder zu nutzen. Während die meisten CNNs zweidimensionale Kerne verwenden, zeichneten sich kürzliche Veröffentlichungen zur Segmentierung medizinischer Bilder durch den Einsatz dreidimensionaler Kerne aus, was den vollen Zugriff auf die dreidimensionale Struktur medizinischer Bilder ermöglicht. Obwohl sie eng mit der semantischen Segmentierung verwandt ist, umfasst die Segmentierung medizinischer Bilder spezifische Herausforderungen, die bewältigt werden müssen, wie zum Beispiel die Knappheit an etikettierten Daten, das starke Klassenungleichgewicht in der Grundwahrheit und der hohe Speicherbedarf dreidimensionaler Bilder. In dieser Arbeit wird eine CNN-basierte Methode mit dreidimensionalen Filtern demonstriert und auf Hand- und Hirn-MRT-Bilder angewendet. Zwei Modifikationen einer bestehenden CNN-Architektur werden diskutiert sowie Methoden zur Bewältigung der genannten Herausforderungen. Während die meisten existierenden Arbeiten zur Segmentierung medizinischer Bilder sich auf weiche Gewebe und die großen Organe konzentrieren, wird diese Arbeit sowohl anhand von Daten des zentralen Nervensystems als auch anhand von Daten der Handknochen validiert.