El pez cebra es un organismo modelo bien establecido para estudios de enfermedades cardiovasculares en los que una de las tareas más populares es evaluar las funciones cardíacas a partir de los eco-vídeos del latido del corazón. Sin embargo, las técnicas actuales son a menudo lentas y propensas a errores, lo que las hace inadecuadas para análisis a gran escala. Para abordar este problema, diseñamos un método para evaluar automáticamente la fracción de eyección de los peces cebra a partir de eco-vídeos del corazón utilizando una arquitectura de modelo de aprendizaje profundo. Nuestro modelo logró un coeficiente de Dice de validación de 0.967 y una puntuación de IoU de 0.937, lo que atestigua su alta precisión. Nuestros hallazgos de prueba revelaron una tasa de error que oscila entre el 0.11% y el 37.05%, con una tasa de error promedio del 9.83%. Este método es ampliamente aplicable en cualquier entorno de laboratorio y se puede combinar con grabaciones binarias para optimizar la eficacia y consistencia del análisis de vídeo a gran escala. Al facilitar la cuantificación y monitoreo precisos de la función cardíaca en los peces cebra, nuestro enfoque supera a los métodos tradicionales, reduciendo sustancialmente el tiempo y esfuerzo requeridos para el análisis de datos. Las ventajas de nuestro método lo convierten en una herramienta prometedora para la investigación cardiovascular utilizando peces cebra.