Los tumores renales representan un tipo de cáncer que las personas de edad avanzada tienen más probabilidades de desarrollar. Por esta razón, es importante ejercer precaución y realizar pruebas diagnósticas en las etapas posteriores de la vida. Los métodos de imágenes médicas y de aprendizaje profundo están volviéndose cada vez más atractivos en este sentido. Desarrollar modelos de aprendizaje profundo para ayudar a los médicos a identificar tumores con una segmentación exitosa es de gran importancia. Sin embargo, no existen muchos sistemas exitosos para órganos de tejido blando, como los riñones y la próstata, cuya segmentación es relativamente difícil. En casos donde la segmentación es difícil, se utilizan principalmente modelos basados en V-Net. Este documento propone un nuevo modelo híbrido que utiliza las características superiores de los modelos V-Net existentes. El modelo representa un sistema más exitoso con mejoras en las fases de codificación y decodificación que no se habían aplicado previamente. Creemos que este nuevo modelo híbrido de V-Net podría ayudar a la mayoría de los médicos, especialmente aquellos centrados en la segmentación de riñones y tumores renales. El modelo propuesto mostró un mejor rendimiento en la segmentación que los modelos de imágenes existentes y puede integrarse fácilmente en todos los sistemas debido a su estructura flexible y aplicabilidad. El modelo híbrido de V-Net exhibió coeficientes de Dice promedio del 97,7% y 86,5% para la segmentación de riñones y tumores, respectivamente, y, por lo tanto, podría utilizarse como un método confiable para la segmentación de órganos de tejido blando.