Polypen gelten als Vorstufen von kolorektalen Karzinomen, die weltweit zu den Haupttodesursachen durch Krebserkrankungen gehören. Die Koloskopie stellt den Standardverfahren zur Identifikation, Lokalisierung und Entfernung kolorektaler Polypen dar. Aufgrund der hohen Variabilität in Form, Größe und Ähnlichkeit mit der umgebenden Gewebestruktur werden kolorektale Polypen bei der Koloskopie häufig von Klinikern übersehen. Durch die Anwendung einer automatisierten, genauen und schnellen Segmentierungsmethode für Polypen während der Koloskopie könnten viele dieser Polypen leichter erkannt und entfernt werden. Die „Medico automatic polyp segmentation challenge“ bietet eine Gelegenheit, die Segmentierung von Polypen zu erforschen und einen effizienten und präzisen Segmentierungsalgorithmus zu entwickeln. In dieser Arbeit wird ein U-Net mit einem vortrainierten ResNet50 als Encoder für die Polypen-Segmentierung eingesetzt. Das Modell wird auf dem Kvasir-SEG-Datensatz trainiert, der für die Challenge bereitgestellt wurde, und anschließend auf dem Datensatz des Veranstalters getestet. Es erreicht eine Dice-Koeffizienten von 0,8154, einen Jaccard-Index von 0,7396, eine Recall-Rate von 0,8533, eine Präzision von 0,8532, eine Genauigkeit von 0,9506 und einen F2-Score von 0,8272, was die Generalisierungsfähigkeit unseres Modells belegt.