Este documento presenta un enfoque para la segmentación de órganos en 3D que generaliza de varias formas el método de nivel de conjunto Chan-Vese. Chan-Vese es un método de segmentación que evoluciona simultáneamente un conjunto de niveles mientras se ajustan modelos de intensidad constantes localmente para las regiones interiores y exteriores. Primero, su regularización simple basada en la longitud se reemplaza con un modelo de forma aprendido basado en una Red Convolucional Completa (FCN). Mostramos cómo entrenar la FCN e introducir métodos de aumento de datos para evitar el sobreajuste. En segundo lugar, se presentan dos variantes en 3D del método, una basada en un 3D U-Net que realiza modificaciones de forma globales y otra basada en un 3D FCN que realiza refinamientos locales. Estas dos variantes se integran en un enfoque completo de segmentación de órganos en 3D que es capaz y eficiente para tratar el gran tamaño de los volúmenes en 3D con un mínimo de sobreajuste. Experimentos en la segmentación del hígado en un conjunto de datos de referencia estándar muestran que el método obtiene resultados de segmentación en 3D competitivos con el estado del arte, siendo muy rápido y con un pequeño número de parámetros entrenables.