Evaluar los túneles óseos es crucial para evaluar la recuperación funcional después de la reconstrucción del ligamento cruzado anterior. Los métodos convencionales son imprecisos, consumen mucho tiempo y son intensivos en mano de obra. Este estudio presenta un novedoso sistema basado en aprendizaje profundo para una segmentación y evaluación precisa de los túneles óseos. El sistema consta de dos etapas principales. En primer lugar, se emplea la red ResNet50-Unet para capturar el área del túnel óseo en cada corte. Posteriormente, en el análisis de textura ósea, se utiliza el software de código abierto 3D Slicer para llevar a cabo una reconstrucción tridimensional basada en los resultados segmentados de la etapa anterior. La red ResNet50-Unet fue entrenada y validada utilizando un conjunto de datos recién desarrollado llamado segmentación ósea de túnel (TB-Seg). Los resultados revelan métricas de rendimiento loables, con una intersección media sobre unión (mIoU), precisión media promedio (mAP), precisión y recall en el conjunto de validación alcanzando el 76%, 85%, 88% y 85%, respectivamente. Para evaluar la robustez de nuestro innovador sistema de textura ósea, realizamos pruebas en una cohorte de 24 pacientes, extrayendo con éxito volumen óseo/volumen total, grosor trabecular, separación trabecular, número trabecular e información volumétrica. El sistema destaca con una significancia sustancial al facilitar el análisis posterior de la intrincada interacción entre las características del túnel óseo y la trayectoria de recuperación postoperatoria después de la reconstrucción del ligamento cruzado anterior. Además, en nuestros cinco casos seleccionados al azar, los médicos que utilizan nuestro sistema completaron todo el flujo de trabajo analítico en tan solo 357-429 s, lo que representa una mejora sustancial en comparación con la duración convencional que supera una hora.