Este documento presenta un algoritmo de aprendizaje profundo para la estimación de canal en 5G New Radio (NR). El enfoque clásico que utiliza redes neuronales para la estimación de canal requiere más de una etapa para obtener la matriz de canal completa. Primero, el canal debe ser construido por la señal de referencia recibida, y luego, se mejora la precisión. En contraste, para reducir el costo computacional, el método de red neuronal propuesto genera la matriz de canal a partir de la información capturada de algunos subportadoras a lo largo de la ranura. Esta información se extrapola aplicando la técnica de Mínimos Cuadrados solo en la Señal de Referencia de Demodulación (DMRS). La DMRS recibida ubicada en la cuadrícula se puede ver como una imagen de baja resolución en 2D y se procesa para generar la matriz de canal completa. Para reducir la complejidad en la implementación de hardware, se selecciona la estructura de red neuronal convolucional (CNN). Esta solución se analiza comparando el Error Cuadrático Medio (MSE) y el costo computacional con otros métodos de estimación de canal basados en aprendizaje profundo, así como los métodos de estimación de canal tradicionales. Se demuestra que la red neuronal propuesta ofrece ahorros sustanciales en complejidad y un rendimiento de error favorable. Reduce el costo computacional en un orden de magnitud, y tiene una discrepancia máxima de error de 0.018 a 5 dB en comparación con la estimación de canal de Error Cuadrático Medio Mínimo (MMSE).