In dieser Arbeit stellen wir ein auf bayesianischem Deep Learning basierendes Modell vor, das zur Segmentierung des Photorezeptorschichts in pathologischen Okt-Spektren dient. Unsere Architektur ermöglicht eine präzise Segmentierung der Photorezeptorschicht und erzeugt pixelweise epistemische Unsicherheitskarten, die potenzielle Bereiche von Pathologien oder Segmentierungsfehlern hervorheben. Wir haben diesen Ansatz anhand zweier Datensätze von pathologischen Okt-Spektren bei Patienten mit altersbedingter Makuladegeneration, retinaler Venenokklusion und diabetischer Makulaödem empirisch evaluiert. Dabei konnten wir die Leistung des Baseline-U-Net sowohl im Hinblick auf den Dice-Index als auch unter Berücksichtigung des Flächeninhalts unter der Precision/Recall-Kurve verbessern. Zudem stellten wir fest, dass die Unsicherheitsschätzungen umgekehrt korreliert waren mit der Modellleistung, was ihre Nützlichkeit für die Hervorhebung von Bereichen unterstreicht, in denen manuelle Überprüfung oder Korrektur erforderlich sein könnte.