Los sistemas inteligentes de análisis médico basados en multimedia y en la toma de decisiones son de suma importancia en el sector de la salud. El cáncer de hígado suele ser mencionado como el sexto cáncer más diagnosticado y requiere un diagnóstico temprano para ayudar en la planificación del tratamiento. Los tumores hepáticos presentan niveles de intensidad y contraste similares en comparación con los tejidos vecinos. De manera similar, las formas irregulares de los tumores son otro problema importante que depende de la etapa del cáncer y del tipo de tumor. Generalmente, la segmentación de tumores hepáticos consta de dos pasos: el primero implica la identificación del hígado y el segundo la segmentación del tumor. Este trabajo de investigación realizó la segmentación del tumor directamente a partir de una tomografía computarizada, lo cual tiende a ser más difícil e importante. Proponemos un algoritmo eficiente que emplea bloques de convolución paralela a múltiples escalas (MPCs) y bloques Res basados en aprendizaje residual. La idea fundamental de utilizar convoluciones paralelas a múltiples escalas de tamaños de filtro variables en MPCs es extraer características a múltiples escalas para diferentes tamaños de tumores. Además, la utilización de conexiones residuales y bloques residuales ayuda a extraer características ricas con un número reducido de parámetros. Además, el trabajo propuesto no requiere técnicas de post-procesamiento para refinar la segmentación. El trabajo propuesto fue evaluado utilizando el conjunto de datos 3DIRCADb y logró un puntaje de Dice del 77.15% y una precisión del 93%.