Antecedentes: El cáncer de pulmón es uno de los cánceres más mortales a nivel mundial, y los tumores malignos se caracterizan por el crecimiento de células anormales en los tejidos de los pulmones. Por lo general, los síntomas del cáncer de pulmón no aparecen hasta que ya está en una etapa avanzada. La correcta segmentación de lesiones cancerosas en imágenes de TC es el método principal de detección para lograr un sistema de diagnóstico completamente automatizado. Método: En este trabajo, desarrollamos una red neuronal híbrida mejorada a través de la fusión de dos arquitecturas, MobileNetV2 y UNET, para la segmentación semántica de tumores malignos de pulmón a partir de imágenes de TC. Se empleó la técnica de transferencia de aprendizaje y se utilizó MobileNetV2 preentrenado como un codificador de un modelo UNET convencional para la extracción de características. La red propuesta es un enfoque de segmentación eficiente que realiza un filtrado ligero para reducir la computación y una convolución puntual para construir más características. Se establecieron conexiones de salto con la función de activación Relu para mejorar la convergencia del modelo conectando las capas del codificador de MobileNetV2 con las capas del decodificador en UNET que permiten la concatenación de mapas de características con diferentes resoluciones del codificador al decodificador. Además, el modelo fue entrenado y ajustado en el conjunto de datos de entrenamiento adquirido del Desafío de Segmentación Médica Decathlon (MSD) 2018. Resultados: La red propuesta fue probada y evaluada en el 25% del conjunto de datos obtenido del MSD, y logró una puntuación de dice de 0.8793, una recuperación de 0.8602 y una precisión de 0.93. Es pertinente mencionar que nuestra técnica supera a las redes disponibles actualmente, que tienen varias fases de entrenamiento y pruebas.