Die histologische Gewebeuntersuchung ist eine etablierte Methode zur Krebsdiagnose, bei der Pathologen anhand von Glaspräparaten das Vorliegen von Tumoren identifizieren. Präparate, die im Rahmen der routinemäßigen Laborarbeit gewonnen werden, können aufgrund von Komplikationen während der chirurgischen Resektion unbeabsichtigte Artefakte enthalten. Blut- und Gewebeschädigungsartefakte sind zwei häufige Probleme, die bei der transurethralen Resektion von Blasentumoren auftreten. Unterschiede in den histotechnischen Verfahren zwischen Laboratorien können zudem zu Farbunterschieden und geringfügigen Inkonsistenzen im Ergebnis führen. Eine digitalisierte Version eines Glaspräparats, bekannt als Whole-Slide-Image (WSI), birgt ein enormes Potenzial für die automatisierte Diagnostik. Die Anwesenheit diagnostisch irrelevanten Bereichs in einem WSI mindert sowohl den diagnostischen Wert für Pathologen als auch die Leistungsfähigkeit computergestützter Pathologie (CPATH)-Systeme. Eine automatische Erkennung und Ausschluss diagnostisch irrelevanter Bereiche könnte daher zu zuverlässigeren Vorhersagen führen. In dieser Arbeit detektieren wir Blut- und Gewebeschädigungsareale gegenüber diagnostisch relevanten Geweben. Wir bewerten die Wirksamkeit von Transfer-Learning im Vergleich zum Training von Grund auf. Die besten Modelle erreichen F1-Scores von 0,99 für die Bluterkennung und 0,89 für die Erkennung von Gewebeschäden. Da Blut und beschädigtes Gewebe nur subtile Farbunterschiede aufweisen, untersuchen wir den Einfluss verschiedener Farbverarbeitungsmethoden auf die binäre Klassifizierungseffizienz von fünf etablierten Architekturen. Schließlich entfernen wir die Farbinformation, um deren Bedeutung im Vergleich zur Morphologie für die Klassifizierungseffizienz zu analysieren.