Darmkrebs zählt weltweit zu den häufigsten Todesursachen durch Krebserkrankungen. Die frühzeitige Erkennung und Entfernung von Polypen kann die Mortalitätsrate senken und das Fortschreiten auf benachbarte Organe verhindern. Die frühzeitige Detektion von Polypen könnte die Leben von Millionen von Patienten weltweit retten sowie die klinische Belastung verringern. Allerdings variieren die Detektionsraten für Polypen erheblich zwischen Endoskopisten. Obwohl zahlreiche tiefenlernbasierte Methoden vorgeschlagen wurden, konzentrieren sich die meisten Studien auf die Verbesserung der Genauigkeit. In diesem Beitrag präsentieren wir eine neuartige Architektur, das Residual Upsampling Network (RUPNet), für die Segmentierung von Kolonpolypen, das in Echtzeit arbeitet und gleichzeitig eine hohe Recall- und Präzisionsrate aufweist. Die vorgeschlagene Architektur RUPNet ist ein Encoder-Decoder-Netzwerk, das aus drei Encodern, drei Decoder-Blöcken und zusätzlichen Upsampling-Blöcken am Ende des Netzwerks besteht. Bei einer Bildgröße von $512 \times 512$512×512 erreicht die Methode eine hervorragende Geschwindigkeit von 152,60 Bildern pro Sekunde mit einem durchschnittlichen Dice-Koeffizienten von 0,7658, einem mittleren Intersection-over-Union von 0,6553, einer Sensitivität von 0,8049, einer Präzision von 0,7995 und einem F2-Score von 0,9361. Die Ergebnisse zeigen, dass RUPNet Echtzeit-Feedback liefern kann, ohne die hohe Genauigkeit zu opfern, und somit eine hervorragende Benchmark für die frühe Polypenerkennung darstellt.