El cáncer colorrectal (CCR) es el tercer tipo de cáncer más común, siendo el hígado el sitio más común para la propagación del cáncer. Un entendimiento preciso de la anatomía y patología del hígado del paciente, así como la planificación quirúrgica basada en eso, juega un papel crítico en el proceso de tratamiento. En algunos casos, los cirujanos solicitan una reconstrucción en 3D, que requiere un análisis exhaustivo de las imágenes disponibles para convertirlas en modelos 3D de objetos relevantes a través de un proceso de segmentación. La segmentación de los vasos del hígado es desafiante debido a las grandes variaciones en tamaño y direcciones de las estructuras vasculares, así como a las difíciles condiciones de contraste. En los últimos años, los métodos basados en aprendizaje profundo han superado a los métodos convencionales de análisis de imágenes en el campo de la imagen médica. Aunque se ha demostrado que las Redes Neuronales Convolucionales (CNN) son eficientes para la tarea de segmentación de imágenes médicas, la forma de manejar los datos de imagen y las técnicas de preprocesamiento juegan un papel importante en la segmentación. Nuestro trabajo se centra en la combinación de diferentes filtros de mejora de la vascularidad y métodos de preprocesamiento para mejorar los vasos hepáticos antes de la segmentación. En el primer experimento, se estudió el efecto de la mejora utilizando filtros de vascularidad individuales. En el segundo experimento, se estudió el efecto de la corrección gamma en los filtros de vascularidad. Por último, se estudió el efecto de los filtros de vascularidad fusionados sobre los filtros individuales. Los métodos fueron evaluados en datos clínicos de TC. El análisis cuantitativo de los resultados en términos de diferentes métricas de evaluación de los experimentos se puede resumir como (i) cada uno de los métodos filtrados muestra una mejora en comparación con los no mejorados con la mejor puntuación DICE media de 0.800 en comparación con 0.740 para los no mejorados; (ii) la corrección gamma aplicada proporciona una mejora estadísticamente significativa en el rendimiento de cada filtro con una mejora en la puntuación DICE media de alrededor del 2%; (iii) tanto las imágenes filtradas fusionadas como la segmentación fusionada dan los mejores resultados (puntuación DICE media de 0.818 y 0.830, respectivamente) con una mejora estadísticamente significativa en comparación con los filtros individuales con y sin corrección gamma. Los resultados han sido verificados además por análisis cualitativo y muestran la importancia de nuestro enfoque propuesto de filtros y segmentación fusionados.