Una estimación precisa y confiable de la inclinación pélvica es uno de los factores esenciales en la planificación previa a la artroplastia total de cadera para prevenir complicaciones comunes postoperatorias como el atrapamiento del implante y la luxación. Inspirados en los últimos avances en sistemas basados en aprendizaje profundo, nuestro enfoque en este documento ha sido presentar un método innovador y preciso para estimar la inclinación pélvica funcional (PT) a partir de una imagen radiográfica anteroposterior (AP) en posición de pie. Introducimos una red de estilo codificador-decodificador basada en un enfoque de aprendizaje concurrente llamado VGG-UNET (VGG incrustado en U-NET), donde una red de convolución totalmente profunda conocida como VGG está incrustada en la parte del codificador de una red de segmentación de imágenes, es decir, U-NET. En el cuello de botella del VGG-UNET, además de la ruta del decodificador, utilizamos otra ruta que utiliza capas de convolución ligeras y totalmente conectadas para combinar todos los mapas de características extraídos de la capa de convolución final de VGG y así regresar PT. En la fase de prueba, excluimos la ruta del decodificador y consideramos solo una tarea objetivo única, es decir, la estimación de PT. Los errores absolutos obtenidos utilizando VGG-UNET, VGG y Mask R-CNN son 3,04 +/- 2,49, 3,92 +/- 2,92 y 4,97 +/- 3,87, respectivamente. Se observa que el VGG-UNET conduce a una predicción más precisa con una desviación estándar (STD) más baja. Nuestros resultados experimentales demuestran que la red multi-tarea propuesta conduce a un rendimiento significativamente mejorado en comparación con los mejores resultados reportados basados en redes en cascada.