El advenimiento del sistema 0.35 T MR-Linac (MRIdian, ViewRay) en la terapia de radiación permite el apuntamiento preciso de tumores en lesiones en movimiento. Sin embargo, la falta de una función automática de segmentación de volumen en el sistema de planificación de tratamiento del MR-Linac plantea un desafío. En este documento, proponemos un enfoque de segmentación multiorgánica basado en aprendizaje profundo para la región torácica, utilizando EfficientNet como la estructura de red. Los objetivos de este enfoque incluyen la segmentación precisa de órganos críticos, como los pulmones izquierdo y derecho, el corazón, la médula espinal y el esófago, esenciales para minimizar la toxicidad por radiación durante la terapia de radiación externa. Nuestro enfoque propuesto, evaluado en un conjunto de datos interno que comprende 81 pacientes, demostró un rendimiento superior en comparación con otros métodos de vanguardia. Específicamente, los resultados de nuestro enfoque con una estrategia 2.5D fueron los siguientes: un coeficiente de similitud de Dice (DSC) de 0.820 +/- 0.041, una intersección sobre unión (IoU) de 0.725 +/- 0.052 y una distancia de Hausdorff en 3D (HD) de 10.353 +/- 4.974 mm. Notablemente, la estrategia 2.5D superó a la estrategia 2D en los tres métricas, mostrando valores de DSC e IoU más altos, así como valores de HD más bajos. Esta mejora sugiere fuertemente que nuestro enfoque propuesto con la estrategia 2.5D puede tener potencial para lograr segmentaciones más precisas y exactas en comparación con la estrategia convencional 2D. Nuestro trabajo tiene implicaciones prácticas en la mejora de la precisión de la planificación del tratamiento, alineándose con la evolución de la imagen médica y estrategias innovadoras para tareas de segmentación multiorgánica.