Los algoritmos de aprendizaje automático y visión por computadora pueden proporcionar una interpretación precisa y automatizada de videos médicos. La segmentación del ventrículo izquierdo de los videos de ecocardiografía desempeña un papel esencial en cardiología para llevar a cabo el diagnóstico clínico cardíaco y monitorear la condición del paciente. La mayoría de los algoritmos de aprendizaje profundo desarrollados para la segmentación de video requieren una enorme cantidad de datos etiquetados para generar resultados precisos. Por lo tanto, existe la necesidad de desarrollar nuevos métodos de segmentación semi-supervisados debido a la escasez y el costoso etiquetado de datos. En investigaciones recientes, los enfoques de aprendizaje semi-supervisado basados en el procesamiento de señales de gráficos han surgido en visión por computadora debido a su capacidad para aprovechar la estructura geométrica de los datos. La segmentación de objetos de video puede considerarse como un problema de clasificación de nodos. En este documento, proponemos un nuevo enfoque llamado GraphECV basado en el uso de procesamiento de señales de gráficos para el aprendizaje semi-supervisado de la segmentación de objetos de video aplicado a la segmentación del ventrículo izquierdo en videos de ecocardiografía. GraphECV incluye segmentación de instancias, extracción de características temporales, de textura y estadísticas para representar los nodos, construcción de un gráfico usando los k-vecinos más cercanos, muestreo de gráficos para incrustar el gráfico con una pequeña cantidad de nodos etiquetados o señales de gráficos, y finalmente un enfoque de aprendizaje semi-supervisado basado en la minimización de la norma de Sobolov de las señales de gráficos. El nuevo algoritmo se evalúa utilizando dos videos de ecocardiografía disponibles públicamente, los conjuntos de datos EchoNet-Dynamic y CAMUS. El enfoque propuesto supera a otros métodos de vanguardia en condiciones de fondo desafiantes.