La tomografía de coherencia óptica (OCT) es una modalidad de imagen basada en la luz que se utiliza ampliamente en el diagnóstico y tratamiento de enfermedades oculares, y está empezando a ser utilizada para evaluar enfermedades del oído. Sin embargo, el análisis manual de imágenes para interpretar los hallazgos anatómicos y patológicos en las imágenes que proporciona es complicado y consume mucho tiempo. Para agilizar el análisis de datos y el procesamiento de imágenes, aplicamos un algoritmo de aprendizaje automático para identificar y segmentar la estructura anatómica clave de interés para el diagnóstico médico, la membrana timpánica. Usando volúmenes 3D de la membrana timpánica humana, aplicamos umbralización y búsqueda de contornos para localizar una serie de objetos. Luego aplicamos algoritmos de aprendizaje profundo de TensorFlow para identificar la membrana timpánica dentro de los objetos utilizando una red neuronal convolucional. Finalmente, reconstruimos el volumen 3D para mostrar selectivamente la membrana timpánica. El algoritmo fue capaz de identificar correctamente la membrana timpánica adecuadamente con una precisión de ~98% mientras eliminaba la mayoría de los artefactos dentro de las imágenes, causados por reflexiones y saturaciones de señal. Por lo tanto, el algoritmo mejoró significativamente la visualización de la membrana timpánica, que era nuestro objetivo principal. Enfoques de aprendizaje automático, como este, serán fundamentales para permitir que la imagen médica OCT se convierta en una herramienta de diagnóstico conveniente y viable dentro del campo de la otolaringología.