Genaue computergestützte Polypendetektion und -segmentierung während Koloskopieuntersuchungen kann den Endoskopisten helfen, abnormes Gewebe zu entfernnen und damit die Wahrscheinlichkeit verringern, dass Polypen in Krebs umgewandelt werden. Im Hinblick auf die Entwicklung eines vollständig automatisierten Modells für die pixelgenaue Segmentierung von Polypen schlagen wir ResUNet++ vor, eine verbesserte ResUNet-Architektur für die Segmentierung koloskopischer Bilder. Unsere experimentellen Auswertungen zeigen, dass die vorgeschlagene Architektur gute Segmentierungsresultate auf öffentlich verfügbaren Datensätzen erzielt. Darüber hinaus übertrifft ResUNet++ U-Net und ResUNet, zwei wichtige state-of-the-art Tiefenlernarchitekturen, signifikant durch das Erreichen hoher Bewertungswerte mit einem Dice-Koeffizienten von 81,33 % und einem mittleren Intersection over Union (mIoU) von 79,27 % für den Kvasir-SEG-Datensatz sowie einem Dice-Koeffizienten von 79,55 % und einem mIoU von 79,62 % für den CVC-612-Datensatz.