MR-Linac es un dispositivo reciente que combina un acelerador lineal con un escáner de resonancia magnética. El mejor contraste de tejidos blandos de las imágenes de RM se utiliza para la delineación óptima de tumores u órganos en riesgo (OAR) y la entrega precisa del tratamiento. La segmentación automática de los OAR puede contribuir a aliviar el proceso que consume tiempo para los oncólogos radioterapeutas y mejorar la precisión de la entrega de radiación al proporcionar una delineación más rápida, consistente y precisa de las estructuras objetivo y los órganos en riesgo. También puede ayudar a reducir la variabilidad entre observadores e mejorar la consistencia del contorneo mientras se reduce el tiempo necesario para la planificación del tratamiento. En este trabajo, se evaluaron técnicas de aprendizaje profundo de vanguardia basadas en estrategias de entrenamiento 2D y 2.5D para desarrollar una herramienta integral para la segmentación precisa de los OAR pélvicos dedicada a MR-Linac de 0.35 T. En total, se investigaron 103 casos con imágenes de RM de 0.35 T de la región pélvica. Los expertos consideraron y contornearon la vejiga, el recto y las cabezas femorales como OAR y la próstata como volumen objetivo. Para el entrenamiento de la red neuronal, se seleccionaron aleatoriamente 85 pacientes y se utilizaron 18 para pruebas. Se consideraron múltiples arquitecturas basadas en U-Net, y el mejor modelo se comparó utilizando estrategias de entrenamiento 2D y 2.5D. La evaluación de los modelos se realizó en base a dos métricas: el coeficiente de similitud de Dice (DSC) y la distancia de Hausdorff (HD). En la estrategia de entrenamiento 2D, Residual Attention U-Net (ResAttU-Net) obtuvo las puntuaciones más altas entre las demás redes neuronales profundas. Debido a la información contextual adicional, el ResAttU-Net 2.5D configurado tuvo un mejor rendimiento. En general, los DSC fueron 0.88 +/- 0.09 y 0.86 +/- 0.10, y el HD general fue 1.78 +/- 3.02 mm y 5.90 +/- 7.58 mm para ResAttU-Net 2.5D y 2D, respectivamente. El ResAttU-Net 2.5D proporciona una segmentación precisa de los OAR sin afectar el costo computacional. El pipeline de extremo a extremo desarrollado se fusionará con el sistema de planificación del tratamiento para la segmentación automática oportuna.