La detección temprana de pólipos colorrectales a través de la colonoscopia endoscópica es crucial para reducir la mortalidad por cáncer colorrectal. Aunque se ha explorado la segmentación automatizada de pólipos para mejorar la precisión y eficiencia de la detección, persisten desafíos para lograr una delimitación de límites precisa, especialmente para pólipos pequeños o planos. En este trabajo, proponemos un novedoso marco de segmentación basado en U-Net, específicamente optimizado para datos reales de colonoscopia endoscópica. A diferencia de los enfoques convencionales, nuestro método aprovecha fotogramas de alta resolución con anotaciones de verdad a nivel de píxel para lograr un rendimiento de segmentación superior. La arquitectura U-Net, con su diseño simétrico codificador-decodificador y conexiones de salto, se adapta aún más para mejorar tanto la comprensión contextual de alto nivel como la preservación de detalles finos. Nuestro modelo ha sido evaluado rigurosamente en un conjunto de datos del mundo real, demostrando precisión de vanguardia en la segmentación de límites de pólipos, incluso en casos desafiantes. Al mejorar la consistencia en la detección y reducir la variabilidad del observador, nuestro enfoque proporciona una herramienta robusta para apoyar a los gastroenterólogos en la toma de decisiones clínicas. Más allá de las aplicaciones clínicas en tiempo real, este trabajo contribuye a avanzar en la detección automatizada y estandarizada de pólipos, allanando el camino para un análisis endoscópico asistido por IA más confiable.