En este artículo, presentamos un nuevo método para el aprendizaje multitarea aplicado a la formación de haces de ultrasonido. La formación de haces es un componente crítico en el proceso de formación de imágenes por ultrasonido. Las imágenes de ultrasonido se construyen utilizando lecturas de sensores de múltiples elementos de transductores, donde cada elemento captura típicamente múltiples adquisiciones por cuadro. Por lo tanto, el formador de haces es crucial para el rendimiento de la tasa de cuadros y la calidad general de la imagen. Además, el posprocesamiento, como la reducción de ruido en la imagen, se aplica generalmente a la imagen formada por el haz para lograr una alta claridad para el diagnóstico. Este trabajo muestra una red neuronal completamente convolucional que puede aprender diferentes tareas aplicando un nuevo esquema de normalización de pesos. Adaptamos nuestro modelo a los requisitos de alta tasa de cuadros ajustando los parámetros de normalización de pesos para la tarea de submuestreo y la reducción de ruido en la imagen optimizando los parámetros de normalización para la tarea de reducción de moteado. Nuestro modelo supera al método de suma y retardo de ángulo único en medidas a nivel de píxel para la reducción de ruido de moteado, submuestreo y reconstrucción de ángulo único.