El cáncer de vejiga urinaria es uno de los cánceres más comunes del tracto urinario. Este cáncer se caracteriza por su alto potencial metastásico y tasa de recurrencia. Debido al alto potencial metastásico y a la tasa de recurrencia, un diagnóstico correcto y oportuno es crucial para un tratamiento y cuidado exitosos. Con el objetivo de aumentar la precisión del diagnóstico, se introducen algoritmos de inteligencia artificial en la toma de decisiones clínicas y diagnósticos. Uno de los procedimientos estándar para el diagnóstico del cáncer de vejiga es la tomografía computarizada (TC). En esta investigación, se presenta un enfoque de aprendizaje por transferencia para la segmentación semántica de masas de cáncer de vejiga urinaria a partir de imágenes de TC. El conjunto de datos inicial se divide en tres subconjuntos según los planos de imagen: frontal (4413 imágenes), axial (4993 imágenes) y sagital (996 imágenes). Primero, se utiliza AlexNet para el diseño de un sistema de reconocimiento de planos, logrando altas prestaciones de clasificación y generalización con un valor de 0.9999 y de 0.0006. Además, al aplicar el enfoque de aprendizaje por transferencia, se lograron mejoras significativas tanto en la segmentación semántica como en las prestaciones de generalización. En el caso del plano frontal, se lograron las mejores prestaciones si se utilizó la arquitectura ResNet101 preentrenada como base para U-net, con un valor de hasta 0.9587 y de 0.0059. Cuando se utilizó U-net para la segmentación semántica de masas de cáncer de vejiga urinaria a partir de imágenes en el plano axial, se obtuvieron los mejores resultados si se utilizó ResNet50 preentrenada como base, con un valor de hasta 0.9372 y de 0.0147. Finalmente, en el caso de las imágenes en el plano sagital, se lograron los mejores resultados con VGG-16 como base. En este caso, se alcanzaron valores de hasta 0.9660 con un de 0.0486. A partir de los resultados listados, el sistema de segmentación semántica propuesto funcionó con un alto rendimiento tanto desde el punto de vista de la segmentación semántica como de la generalización. Los resultados presentados indican que existe la posibilidad de utilizar el sistema de segmentación semántica en la práctica clínica.