Darmkrebs zählt zu den häufigsten malignen Erkrankungen und kann sich aus hochrisikobehafteten Kolonpolypen entwickeln. Die Koloskopie ist ein effektives Screening-Verfahren zur Detektion und Entfernung von Polypen, insbesondere präkanzeröser Läsionen. In der klinischen Praxis ist jedoch die Fehldetektionsrate aufgrund vieler Faktoren relativ hoch. Die Prozedur könnte erheblich profitieren, wenn künstliche Intelligenz (KI) zur automatischen Segmentierung von Polypen eingesetzt würde, da dies wertvolle Erkenntnisse für die Verbesserung der Polypendetektion liefert. Genauigkeit bei der Segmentierung bleibt jedoch aufgrund der großen Variabilität von Polypen hinsichtlich Größe, Form, Textur und Farbe weiterhin eine Herausforderung. In dieser Arbeit wird eine neuartige neuronale Netzarchitektur namens AG-CUResNeSt vorgestellt, die Coupled UNets mittels eines robusten ResNeSt-Backbones und Aufmerksamkeitsgates verbessert. Das Netzwerk ist in der Lage, mehrstufige Merkmale effizient zu kombinieren, um präzise Segmentierungen von Kolonpolypen zu erzielen. Experimentelle Ergebnisse auf fünf gängigen Benchmark-Datensätzen zeigen, dass die vorgeschlagene Methode im Vergleich zu bestehenden Ansätzen eine state-of-the-art Genauigkeit erreicht.