El uso de inteligencia artificial ha demostrado un buen rendimiento en el área de imágenes médicas, en particular los métodos de aprendizaje profundo basados en redes neuronales convolucionales para tareas de clasificación, detección y/o segmentación. La tarea abordada en este trabajo de investigación es la segmentación de nidos de amastigotes a partir de microfotografías histológicas en el estudio de la infección (enfermedad de Chagas) implementando una arquitectura de red convolucional U-Net. Para la segmentación de los nidos, se entrenó una arquitectura U-Net en imágenes histológicas de un modelo experimental murino en etapa aguda realizando una validación cruzada de 5 pliegues, mientras que las pruebas finales se llevaron a cabo con datos no vistos por la U-Net de tres grupos de imágenes de diferentes modelos experimentales. Durante la etapa de entrenamiento, los resultados obtenidos mostraron una precisión promedio de 98.19 +/- 0.01, mientras que en el caso de las pruebas finales, se obtuvo una precisión promedio de 99.9 +/- 0.1 para el grupo de control, así como 98.8 +/- 0.9 y 99.1 +/- 0.8 para dos grupos infectados; en todos los casos, se observó una alta sensibilidad y especificidad en los resultados. Podemos concluir que el uso de una arquitectura U-Net demuestra ser una herramienta relevante en el apoyo al diagnóstico y análisis de imágenes histológicas para el estudio de la enfermedad de Chagas.