La evaluación histológica de los glomérulos es fundamental para determinar si un riñón es adecuado para trasplante. El puntaje de Karpinski es esencial para evaluar la necesidad de un trasplante de riñón único o doble e incluye la proporción entre el número de glomérulos escleróticos y el número total de glomérulos en una sección de riñón. La evaluación manual de biopsias renales realizada por patólogos es laboriosa y propensa a errores, por lo que un marco automático para delinear todos los glomérulos presentes en una sección de riñón puede ser muy útil. Nuestros experimentos se han realizado en un conjunto de datos proporcionado por el Departamento de Urgencias y Trasplantes de Órganos (DETO) del Hospital Universitario de Bari. Este conjunto de datos está compuesto por 26 biopsias renales provenientes de 19 donantes. El surgimiento de las Redes Neuronales Convolucionales (CNNs) ha llevado a un conjunto de métodos que se aplican ampliamente en la Imagen Médica. Las técnicas de aprendizaje profundo también son muy prometedoras para la segmentación de glomérulos, con una variedad de enfoques existentes. Muchos métodos se centran únicamente en la segmentación semántica, que consiste en la segmentación de píxeles individuales, o ignoran el problema de discriminar entre glomérulos no escleróticos y escleróticos, por lo que estos enfoques no son óptimos o son inadecuados para la evaluación de trasplantes. En este trabajo, empleamos un enfoque completamente automático de extremo a extremo basado en Mask R-CNN para la segmentación de instancias y clasificación de glomérulos. También comparamos los resultados obtenidos con una línea base basada en Faster R-CNN, que solo permite la detección a nivel de cuadros delimitadores. Con respecto a la literatura existente, mejoramos el enfoque de Mask R-CNN en contextos de ventana deslizante, empleando una variante del algoritmo de Supresión No Máxima (NMS), que llamamos Supresión de Área No Máxima (NMAS). Los resultados obtenidos son muy prometedores, lo que conlleva mejoras sobre la literatura existente. El enfoque de línea base basado en Faster R-CNN obtuvo un valor de F-Measure de 0.904 y 0.667 para glomérulos no escleróticos y escleróticos, respectivamente. El enfoque de Mask R-CNN tiene una mejora significativa sobre la línea base, obteniendo un valor de F-Measure de 0.925 y 0.777 para glomérulos no escleróticos y escleróticos, respectivamente. El método propuesto es muy prometedor para la segmentación de instancias y la clasificación de glomérulos, y permite realizar una evaluación sólida de la glomeruloesclerosis global. También comparamos el puntaje de Karpinski obtenido con nuestro algoritmo con el obtenido con las anotaciones de los patólogos para mostrar la solidez del flujo de trabajo propuesto desde un punto de vista clínico.