La imagen fotoacústica (PA) se puede utilizar para monitorear terapias de ultrasonido enfocado de alta intensidad (HIFU) porque la ablación cambia el espectro de absorción óptica del tejido, y este cambio se puede detectar con la imagen PA. La imagen fotoacústica de múltiples longitudes de onda (MWPA) facilita la detección de este cambio al repetir la imagen PA en varias longitudes de onda ópticas y muestrear más exhaustivamente el espectro de absorción óptica. La clasificación en tiempo real píxel a píxel en la imagen MWPA puede ayudar a los médicos a monitorear la formación de lesiones HIFU y será un hito crucial hacia la automatización completa de la terapia HIFU basada en la inteligencia artificial. En este artículo, presentamos un enfoque basado en aprendizaje profundo para segmentar lesiones HIFU en imágenes MWPA. El tejido bovino ex vivo se abla con HIFU e imágenes a través de la imagen MWPA. Las imágenes MWPA adquiridas se utilizan luego para entrenar y probar una red neuronal convolucional (CNN) para la segmentación de lesiones. También se entrenan y prueban algoritmos de aprendizaje automático tradicionales para comparar con la CNN, y los resultados muestran que el rendimiento de la CNN supera significativamente a los algoritmos de aprendizaje automático tradicionales. Se realiza una selección de características para reducir el número de longitudes de onda y facilitar la implementación en tiempo real manteniendo un buen rendimiento de segmentación. Este estudio demuestra la viabilidad y alto rendimiento del método de segmentación de lesiones basado en aprendizaje profundo en la imagen MWPA para monitorear la formación de lesiones HIFU y el potencial para implementar este método en tiempo real.