Las evaluaciones del volumen de la vejiga son cruciales para el manejo de trastornos urinarios. La imagen por ultrasonido (US) es una modalidad de imagen no invasiva y rentable preferida para la observación y medición del volumen de la vejiga. Sin embargo, la alta dependencia del operador de US es un desafío importante debido a la dificultad de evaluar imágenes de ultrasonido sin experiencia profesional. Para abordar este problema, se han introducido métodos de estimación automática del volumen de la vejiga basados en imágenes, pero la mayoría de los métodos convencionales requieren recursos informáticos de alta complejidad que no están disponibles en entornos de atención médica punto de atención (POC). Por lo tanto, en este estudio, se desarrolló un sistema de medición del volumen de la vejiga basado en aprendizaje profundo para entornos POC utilizando un modelo de segmentación basado en una red neuronal convolucional (CNN) liviana, que fue optimizado en un sistema en chip (SoC) de recursos limitados para detectar y segmentar la región de la vejiga en imágenes de ultrasonido en tiempo real. El modelo propuesto logró una alta precisión y robustez y puede ejecutarse en el SoC de recursos limitados a 7.93 cuadros por segundo, que es 13.44 veces más rápido que la velocidad de cuadros de una red convencional con desventajas de precisión negligibles (0.004 del coeficiente de Dice). La viabilidad de la red de aprendizaje profundo liviana desarrollada se demostró utilizando fantomas que imitan tejidos.