La segmentación automatizada del límite lumen-intima (LIB) y del límite media-adventicia (MAB) de la carótida mediante redes neuronales convolucionales profundas (CNN) a partir de imágenes de ultrasonido tridimensionales (3DUS) ha hecho que la evaluación y el monitoreo de la aterosclerosis carotídea sean más eficientes que la segmentación manual. Sin embargo, el entrenamiento de la CNN todavía requiere la segmentación manual del LIB y del MAB. Por lo tanto, es necesario mejorar la eficiencia de la segmentación manual y desarrollar estrategias para mejorar la precisión de la segmentación por la CNN para el monitoreo serial de la aterosclerosis carotídea. Una estrategia para reducir el tiempo de segmentación es aumentar la distancia entre rebanadas (ISD) entre las rebanadas axiales segmentadas de una imagen 3DUS manteniendo la confiabilidad de la segmentación. Investigamos por primera vez el efecto del ISD en la reproducibilidad de las segmentaciones de MAB y LIB. La reproducibilidad intraobservador de las segmentaciones de LIB y MAB con ISDs de 1 mm y 2 mm no fue estadísticamente diferente, mientras que la reproducibilidad con ISD = 3 mm fue estadísticamente menor. Por lo tanto, concluimos que la segmentación con un ISD de 2 mm proporciona una confiabilidad suficiente para el entrenamiento de la CNN. Además, propusimos entrenar la CNN con las imágenes de referencia de toda la cohorte de pacientes para la segmentación automática de las imágenes de seguimiento adquiridas para la misma cohorte. Validamos que la segmentación con este enfoque de particionamiento basado en el tiempo es más precisa que la producida por el particionamiento basado en pacientes, especialmente en la bifurcación carotídea. Este estudio sienta las bases para un flujo de trabajo 3DUS eficiente, reproducible y preciso para el monitoreo serial de la aterosclerosis carotídea, útil en la estratificación del riesgo de eventos cardiovasculares y en la evaluación de la eficacia de nuevos tratamientos.