Introducción: La segmentación manual de las cuatro cámaras cardíacas en videos ecocardiográficos representa un reto técnico y logístico debido a la alta demanda de tiempo y recursos. Esta limitación, sumada a la escasez de bases de datos clínicas adecuadamente anotadas, restringe el desarrollo y la validación de modelos de aprendizaje profundo en escenarios reales. Objetivo general: Desarrollar una estrategia automática basada en redes neuronales para la segmentación de las cuatro cámaras cardíacas en videos ecocardiográficos, con el fin de facilitar el entrenamiento de modelos que permitan extraer indicadores de la función cardíaca. Metodología: Se construirá una colección de videos ecocardiográficos de vista de cuatro cámaras, seleccionados según los estándares de calidad de la American Society of Echocardiography (ASE) y la European Association of Cardiovascular Imaging (EACVI). Las cavidades serán segmentadas manualmente para crear máscaras que permitan el entrenamiento supervisado. Posteriormente, se realizará un benchmarking de arquitecturas de redes neuronales convolucionales, optimizando hiperparámetros y validando el desempeño mediante métricas como el Dice Score Coefficient (DSC) y el Jaccard Index (IoU).