Los métodos de aprendizaje profundo son las soluciones de facto para una multitud de tareas de análisis de imágenes médicas. La segmentación de resonancia magnética cardíaca es una de esas aplicaciones, que, al igual que muchas otras, requiere una gran cantidad de datos anotados para que una red entrenada pueda generalizar bien. Desafortunadamente, el proceso de tener una gran cantidad de imágenes curadas manualmente por expertos médicos es lento y extremadamente costoso. En este documento, nos propusimos explorar si el conocimiento experto es un requisito estricto para la creación de conjuntos de datos anotados en los que el aprendizaje automático pueda ser entrenado con éxito. Para hacerlo, evaluamos el rendimiento de tres modelos de segmentación, a saber, U-Net, Attention U-Net y ENet, entrenados con diferentes funciones de pérdida en datos de verdad de expertos y no expertos para la segmentación de cine-MRI cardíaco. La evaluación se realizó con métricas clásicas de segmentación (índice de Dice y distancia de Hausdorff) así como mediciones clínicas, como las fracciones de eyección ventricular y la masa miocárdica. Los resultados revelan que el rendimiento de generalización de una red neuronal de segmentación entrenada en datos de verdad no expertos es, para todos los propósitos prácticos, tan bueno como el entrenado en datos de verdad expertos, especialmente cuando el no experto recibe un nivel decente de entrenamiento, destacando una oportunidad para la creación eficiente y rentable de anotaciones para conjuntos de datos cardíacos.