La segmentación e identificación precisa de las vértebras presenta las bases para el análisis de la columna vertebral, incluyendo fracturas, disfunciones y otros conocimientos visuales. El desafío de segmentación de vértebras a gran escala (VerSe), organizado como una competencia en la Conferencia de Computación de Imágenes Médicas e Intervención Asistida por Computadora (MICCAI), está dirigido a la segmentación y etiquetado de vértebras. En este documento, proponemos un marco que aborda las tareas de segmentación e identificación de vértebras aprovechando tanto metodologías de aprendizaje profundo como de aprendizaje automático clásico. La solución propuesta comprende dos fases: una segmentación binaria totalmente automatizada de toda la columna vertebral, que explota una red neuronal convolucional 3D, y un procedimiento semi-automatizado que permite localizar los centroides de las vértebras utilizando algoritmos de aprendizaje automático tradicionales. A diferencia de otros enfoques, el método propuesto tiene la ventaja adicional de no requerir anotaciones a nivel de vértebra individual para ser entrenado. Se ha extraído un conjunto de datos de 214 escaneos de TC de los datos del desafío VerSe"20, para entrenar, validar y probar el enfoque propuesto. Además, para evaluar la robustez de los algoritmos de segmentación y etiquetado, se han recopilado 12 escaneos de TC de sujetos afectados por escoliosis severa, moderada y leve de una clínica médica local. En el conjunto de prueba designado de los datos de Verse"20, la etapa de segmentación binaria de la columna vertebral permitió obtener un coeficiente de Dice binario del 89.17%, mientras que la identificación de vértebras alcanzó un coeficiente de Dice multiclase promedio del 90.09%. Con el fin de garantizar la reproducibilidad de los algoritmos desarrollados, el código se ha hecho disponible públicamente.