La resonancia magnética (RM) de la columna lumbar es una herramienta diagnóstica crítica para la evaluación de diversas patologías espinales, incluida la enfermedad degenerativa del disco, la estenosis espinal y la espondilolistesis. La identificación y cuantificación precisa del área de sección transversal del saco dural son esenciales para la evaluación de estas condiciones. Los modelos de aprendizaje profundo desarrollados y validados en nuestro estudio, específicamente U-Net, Attention U-Net y MultiResUNet, permiten la detección y medición automatizadas del área del saco dural en la RM de la columna lumbar, utilizando un conjunto de datos de 515 pacientes con dolor de espalda sintomático y validando externamente los resultados en base a 50 exploraciones de pacientes. El modelo U-Net logró una precisión de 0,9990 y 0,9987 en los conjuntos de datos de validación inicial y externa, respectivamente. El modelo Attention U-Net reportó una precisión de 0,9992 y 0,9989, mientras que el modelo MultiResUNet mostró una precisión notable de 0,9996 y 0,9995, respectivamente. Todos los modelos mostraron métricas prometedoras de precisión, recall y puntuación F1, junto con errores absolutos medios reducidos en comparación con el método manual de referencia. En conclusión, nuestro estudio demuestra el potencial de estos modelos de aprendizaje profundo para la detección y medición automatizadas del área de sección transversal del saco dural en la RM de la columna lumbar. Los modelos propuestos alcanzan métricas de alto rendimiento tanto en los conjuntos de datos de validación inicial como externa, lo que indica su utilidad potencial como herramientas clínicas valiosas para la evaluación de las patologías de la columna lumbar. Se requieren estudios futuros con tamaños de muestra más grandes y datos de múltiples centros para validar aún más la generalizabilidad del modelo y explorar la integración potencial de este enfoque en la práctica clínica de rutina.