La ecocardiografía es una técnica de imagen ampliamente utilizada y no invasiva para diagnosticar y monitorear afecciones cardíacas. Sin embargo, la segmentación precisa de las estructuras cardíacas, especialmente el ventrículo izquierdo, sigue siendo una tarea compleja debido a la variabilidad inherente y al ruido en las imágenes ecocardiográficas. Los modelos supervisados actuales han logrado resultados de vanguardia pero dependen en gran medida de conjuntos de datos grandes y anotados, que son costosos y consumen mucho tiempo para obtener y dependen de la calidad de los datos anotados. Estas limitaciones motivan la necesidad de métodos no supervisados que puedan generalizar en diferentes condiciones de imagen sin depender de datos anotados. En este estudio, proponemos un enfoque no supervisado para segmentar imágenes ecocardiográficas 2D. Al combinar funciones objetivas personalizadas con redes neuronales convolucionales (CNN), nuestro método segmenta de manera efectiva las estructuras cardíacas, abordando los desafíos planteados por las imágenes de baja resolución y en escala de grises. Nuestro enfoque aprovecha técnicas tradicionalmente utilizadas fuera de la imagen médica, optimizando la extracción de características a través de CNN de manera basada en datos y con un diseño de red nuevo y más pequeño. Otra contribución clave de este trabajo es la introducción de un algoritmo de postprocesamiento que refina la segmentación para aislar el ventrículo izquierdo en posiciones diastólica y sistólica, lo que permite el cálculo de la fracción de eyección (FE). Este cálculo sirve como referencia para evaluar el rendimiento de nuestro método no supervisado. Nuestros resultados demuestran el potencial del aprendizaje no supervisado para mejorar el análisis ecocardiográfico al superar las limitaciones de los enfoques supervisados, especialmente en entornos donde los datos etiquetados son escasos o no están disponibles.