Un análisis adecuado de los cambios en la estructura cerebral puede llevar a un diagnóstico más preciso de trastornos cerebrales específicos. La precisión de la segmentación es crucial para cuantificar los cambios en la estructura cerebral. En estudios recientes, las arquitecturas basadas en UNet han superado a otras arquitecturas de aprendizaje profundo en la segmentación de imágenes biomédicas. Sin embargo, mejorar la precisión de la segmentación es un desafío debido a la baja resolución de las imágenes médicas y la falta de datos. En este estudio, presentamos una arquitectura novedosa que combina tres UNets paralelos utilizando una red residual. Esta arquitectura mejora los métodos de referencia de tres maneras. Primero, en lugar de utilizar una sola imagen como entrada, utilizamos tres imágenes consecutivas. Esto le da a nuestro modelo la libertad de aprender también de imágenes vecinas. Además, las imágenes se comprimen y descomprimen individualmente utilizando tres UNets diferentes, lo que evita que el modelo fusione las características de las imágenes. Finalmente, siguiendo la arquitectura de red residual, las salidas de los UNets se combinan de tal manera que las características de la imagen correspondiente a la salida se mejoran mediante una conexión de salto. La arquitectura propuesta funcionó mejor que el uso de un solo UNet convencional y otras variantes de UNet.