El entrenamiento del modelo de aprendizaje profundo y el rendimiento logrado dependen de los datos disponibles. Las úlceras en el pie diabético y otras aplicaciones de procesamiento de imágenes en el ámbito médico añaden otra capa de complejidad a la recopilación de datos de entrenamiento. La recopilación de datos es problemática y la anotación de datos requiere experiencia médica. Este problema suele resolverse empleando técnicas de aumento de datos de entrenamiento. Aunque en investigaciones anteriores, el aumento de datos se facilitó de diversas maneras, rara vez se evalúa o se informa cuánto contribuye al rendimiento logrado. La investigación actual busca responder a esta pregunta aplicando técnicas individuales de aumento fotométrico y geométrico y comparando el rendimiento del modelo logrado para la segmentación semántica de úlceras en el pie diabético. Se encontró que las técnicas de aumento geométrico ayudan a lograr un mejor rendimiento del modelo en comparación con las técnicas fotométricas. Se descubrió que el modelo entrenado utilizando un conjunto de datos aumentado y aplicando una técnica de cizallamiento mejoraba más los resultados de segmentación; el puntaje de dice de referencia aumentó en un 6%. Se observó una mejora adicional sobre el benchmark (un total del 6.9%) cuando el modelo se entrenó utilizando datos que combinaban conjuntos de imágenes generados por las tres técnicas de aumento con mejor rendimiento. El puntaje de dice de prueba más alto logrado fue del 91%.