Darmkrebs gehört zu den tödlichsten und weltweit am häufigsten vorkommenden Krebsarten. Die Koloskopie ist das Verfahren zur Erkennung und Diagnose von Polypen im Dickdarm, doch die heutige Detektionsrate weist eine erhebliche Fehlerrate auf, die die Diagnose und Therapie beeinträchtigt. Ein automatisches Bildsegmentierungsverfahren könnte Ärzten helfen, die Detektionsrate pathologischer Polypen im Dickdarm zu verbessern. Darüber hinaus könnte die Segmentierung endoskopischer Instrumente in während der Koloskopie aufgenommenen Bildern zur Entwicklung roboterassistierter Chirurgie beitragen. In dieser Studie haben wir sowohl vortrainierte als auch nicht vortrainierte Segmentierungsmodelle an zwei unterschiedlichen Datensätzen trainiert und validiert, die Bilder von Polypen und endoskopischen Instrumenten enthielten. Schließlich haben wir die Modelle auf zwei getrennten Testsets angewendet, wobei das beste Polypenmodell einen Dice-Score von 0,857 und das Instrumentenmodell einen Dice-Score von 0,948 erzielte. Zudem stellten wir fest, dass das Vortrainieren der Modelle die Leistung bei der Segmentierung sowohl von Polypen als auch von endoskopischen Instrumenten signifikant verbesserte.