El cáncer de próstata (PCa) es uno de los tumores más comunes diagnosticados en hombres en todo el mundo, con aproximadamente 1.7 millones de nuevos casos esperados para 2030. La mayoría de las lesiones cancerosas en el PCa se localizan en la zona periférica (PZ); por lo tanto, la identificación precisa de la ubicación de la lesión es esencial para un diagnóstico y tratamiento efectivos. La segmentación zonal en imágenes por resonancia magnética (IRM) es crítica y juega un papel clave en la identificación de regiones cancerosas y estrategias de tratamiento. En este trabajo, informamos sobre el desarrollo de tres modelos avanzados basados en redes neuronales: uno basado en aprendizaje en conjunto, uno en Meta-Net y uno en YOLO-V8. Fueron adaptados para la segmentación de la glándula central (CG) y PZ utilizando un pequeño conjunto de datos de 90 IRM para entrenamiento, 25 IRM para validación y 24 escaneos para prueba. El método de aprendizaje en conjunto, que combina modelos basados en U-Net (Attention-Res-U-Net, Vanilla-Net y V-Net), logró un IoU del 79.3% y un DSC del 88.4% para CG y un IoU del 54.5% y un DSC del 70.5% para PZ en el conjunto de prueba. Meta-Net, utilizado por primera vez en segmentación, demostró un IoU del 78% y un DSC del 88% para CG, mientras que YOLO-V8 superó a ambos modelos con un IoU del 80% y un DSC del 89% para CG y un IoU del 58% y un DSC del 73% para PZ.