Die automatische Polypensegmentierung hat sich als äußerst nützlich für Endoskopieverfahren erwiesen, da sie die Fehldetektionsrate von Adenomen bei Endoskopisten senkt und gleichzeitig die Effizienz erhöht. Die Klassifizierung eines Polypen als neoplastisch oder nicht sowie dessen pixelgenaue Segmentierung stellen jedoch weiterhin eine herausfordernde Aufgabe für Ärzte dar, insbesondere unter Zeitdruck. In dieser Arbeit stellen wir eine feinkörnige Formulierung des Problems der Polypensegmentierung vor. Unser Ansatz zielt nicht nur darauf ab, Polypenregionen zu segmentieren, sondern auch jene mit hohem Malignitätsrisiko mit hoher Genauigkeit zu identifizieren. Zudem präsentieren wir eine auf UNet basierende neuronale Netzarchitektur namens NeoUNet sowie eine hybride Verlustfunktion zur Lösung dieses Problems. Experimente zeigen, dass NeoUNet im Vergleich zu bestehenden Modellen zur Polypensegmentierung auf unserem Benchmark-Datensatz hervorragende Ergebnisse erzielt.