Röntgen-Computertomographie-Verfahren (XCT) haben sich so weit entwickelt, dass hochauflösende Daten derart schnell erfasst werden können, dass klassische Segmentierungsmethoden zunehmend unpraktikabel werden und automatisierte Datenpipelines erfordern, die mit komplexen dreidimensionalen Bildern umgehen können. Tiefes Lernen hat sich in zahlreichen Aufgaben der Bildverarbeitung, einschließlich Anwendungen in der Materialwissenschaft, bewährt und stellt eine vielversprechende Alternative für eine menschenfreie Segmentierungspipeline dar. In diesem Beitrag wird eine modulare Interpretation des UNet-Modells (Modular U-Net) vorgestellt und für die Segmentierung dreidimensionaler Tomographiebilder eines dreiphasigen, glasfaserverstärkten Polyamid-66 trainiert. Wir vergleichen die 2D- und 3D-Versionen unseres Modells und stellen fest, dass die 2D-Version leicht überlegen ist. Zudem zeigen wir, dass bereits mit nur 10 annotierten Schichten Ergebnisse erzielbar sind, die mit menschlichen Ergebnissen vergleichbar sind, und dass eine flache U-Net-Architektur bessere Ergebnisse liefert als eine tiefere. Daraus folgt, dass neuronale Netze tatsächlich ein vielversprechender Ansatz darstellen, um XCT-Datenverarbeitungspipelines zu automatisieren, die keiner menschlichen, ad-hoc-Intervention bedürfen.