Antecedentes: La enfermedad renal poliquística autosómica dominante (ADPKD) es la enfermedad renal hereditaria más común que conduce a la enfermedad renal en etapa terminal. La medición del volumen total de los riñones (TKV) se ha considerado como un sustituto en la evaluación de la gravedad de la enfermedad y como predictor pronóstico de la ADPKD. Sin embargo, la medición manual tradicional del TKV por parte de profesionales médicos es laboriosa, consume tiempo y propensa a errores humanos. Materiales y métodos: En esta investigación, realizamos mediciones de TKV utilizando datos de resonancia magnética (RM). El conjunto de datos consistió en 30 pacientes con ADPKD y 10 individuos sanos. Para calcular el TKV, entrenamos modelos utilizando imágenes de RM en secciones coronales y axiales. El proceso implicó extraer imágenes en formato de Comunicaciones en Medicina Digital (DICOM), seguido de aumentación y etiquetado. Empleamos un modelo U-net para la segmentación de imágenes, generando imágenes de máscara de las áreas objetivo. Pasos de postprocesamiento subsiguientes y estimación de TKV se realizaron en base a las salidas obtenidas de estas imágenes de máscara. Resultados: El TKV promedio, según la evaluación de profesionales médicos del conjunto de datos de prueba, fue de 1501.84 +/- 965.85 mL con imágenes de sección axial y 1740.31 +/- 1172.21 mL con imágenes de sección coronal, respectivamente ( = 0.73). Utilizando el modelo de aprendizaje profundo, el TKV medio derivado de imágenes de sección axial y coronal fue de 1536.33 +/- 958.68 mL y 1636.25 +/- 964.67 mL, respectivamente ( = 0.85). La discrepancia en el TKV medio entre profesionales médicos y el modelo de aprendizaje profundo fue de 44.23 +/- 58.69 mL con imágenes de sección axial ( = 0.8) y 329.12 +/- 352.56 mL con imágenes de sección coronal ( = 0.9), respectivamente. La variabilidad promedio en la medición de TKV fue del 21.6% con el modelo de sección coronal y del 3.95% con el modelo de sección axial. El modelo de sección axial demostró un coeficiente de similitud de Dice (DSC) medio de 0.89 +/- 0.27 y un coeficiente de Jaccard promedio por paciente de 0.86 +/- 0.27, mientras que el DSC y el coeficiente de Jaccard medios del modelo de sección coronal fueron de 0.82 +/- 0.29 y 0.77 +/- 0.31, respectivamente. Conclusión: La integración del aprendizaje profundo en el procesamiento e interpretación de imágenes se está volviendo cada vez más prevalente en la práctica clínica. En nuestro estudio piloto, realizamos un análisis comparativo del rendimiento de un modelo de aprendizaje profundo junto con modelos correspondientes de sección axial y coronal, una comparación que ha sido menos explorada en investigaciones previas. Nuestros hallazgos sugieren que nuestro modelo de aprendizaje profundo para la medición de TKV se desempeña de manera comparable a los profesionales médicos. Sin embargo, observamos que las variaciones en las orientaciones de las imágenes podrían introducir un sesgo en la medición. Específicamente, nuestro modelo de IA mostró un rendimiento superior con imágenes de sección axial en comparación con las imágenes de sección coronal.