El diagnóstico temprano de enfermedades cardiovasculares (ECVs) puede prevenir efectivamente que empeoren. La fuente de la enfermedad puede detectarse de manera efectiva a través del análisis con resonancia magnética cardíaca (CMRI). La segmentación del ventrículo izquierdo (VI) en imágenes de CMRI juega un papel indispensable en el diagnóstico de ECVs. Sin embargo, la segmentación automatizada del VI es una tarea desafiante, ya que se confunde con regiones vecinas en la resonancia magnética cardíaca. Los modelos de aprendizaje profundo son efectivos para realizar dicha segmentación compleja debido a las redes neuronales convolucionales (CNN) de alto rendimiento. Sin embargo, dado que la segmentación utilizando CNN implica la clasificación a nivel de píxel de la imagen, carece de la información contextual que es altamente deseable en el análisis de imágenes médicas. En esta investigación, proponemos un modelo U-Net modificado para segmentar con precisión el VI utilizando segmentación habilitada para contexto. El modelo propuesto logra la segmentación automática y la evaluación cuantitativa del VI. El modelo propuesto alcanza la precisión de vanguardia al utilizar de manera efectiva varios hiperparámetros, como el tamaño del lote, normalización del lote, función de activación, función de pérdida y abandono. Nuestro método demostró una significancia estadística en las paredes endocárdicas y epicárdicas con un puntaje de dados de 0,96 y 0,93 respectivamente, una distancia perpendicular promedio de 1,73 y un porcentaje de buenos contornos del 96,22 se lograron. Además, se obtuvo una alta correlación positiva de 0,98 entre los parámetros clínicos, como la fracción de eyección, volumen diastólico final (EDV), volumen sistólico final (ESV) y el estándar de oro.