Antecedentes: La estimación precisa de los parámetros materiales miocárdicos es crucial para comprender la biomecánica cardíaca y desempeña un papel clave en el avance de la modelización computacional y las aplicaciones clínicas. Los métodos tradicionales de elementos finitos inversos (FE) dependen de la optimización iterativa para inferir estos parámetros, lo cual es computacionalmente costoso y consume tiempo, limitando su aplicabilidad clínica. Métodos: Este estudio propone un enfoque basado en aprendizaje profundo para estimar de manera rápida y precisa los parámetros materiales miocárdicos del ventrículo izquierdo directamente a partir de datos rutinarios de resonancia magnética cardíaca (CMRI). Se entrenó un modelo basado en ResNet18 en parámetros derivados de FEM de un conjunto de datos de 1288 sujetos sanos. Resultados: El modelo propuesto demostró una alta precisión predictiva en sujetos sanos, logrando errores absolutos medios de 0.0146 para y 0.0139 para , con errores relativos medios por debajo del 5.00%. Además, evaluamos el modelo en un pequeño subconjunto patológico (que incluía casos de ARV y HCM). Los resultados revelaron que, si bien el modelo mantuvo un rendimiento sólido en los datos sanos, los errores de predicción en las muestras patológicas fueron mayores, lo que indica mayores desafíos en la modelización de tejido miocárdico enfermo. Conclusión: Este estudio establece un marco de aprendizaje profundo eficiente y preciso para estimar los parámetros materiales miocárdicos, eliminando la necesidad de una optimización FE iterativa que consume tiempo. Si bien el modelo muestra un rendimiento prometedor en sujetos sanos, se requiere una validación y refinamiento adicionales para abordar sus limitaciones en condiciones patológicas, allanando así el camino para la modelización cardíaca personalizada y una mejor toma de decisiones clínicas.