Este enfoque proporciona una investigación exhaustiva de la segmentación del esófago de Barrett utilizando métodos de aprendizaje profundo. Este estudio explora varias variantes del modelo U-Net con diferentes arquitecturas de base, centrándose en cómo la elección de la base influye en la precisión de la segmentación. Al emplear técnicas rigurosas de aumento de datos y estrategias de conjunto, el objetivo es lograr resultados de segmentación precisos y robustos. Los hallazgos clave incluyen la superioridad de las bases DenseNet, la importancia de un aumento de datos personalizado y la adaptabilidad de entrenar modelos U-Net desde cero. Se muestra que los métodos de conjunto mejoran la precisión de la segmentación, y se utiliza una búsqueda en cuadrícula para ajustar finamente los pesos del conjunto. Una comparación exhaustiva con la popular arquitectura Deeplabv3+ enfatiza el papel de las características del conjunto de datos. Las ideas sobre la saturación del entrenamiento ayudan a optimizar la utilización de recursos, y los conjuntos eficientes logran consistentemente altos puntajes medios de intersección sobre unión (IoU), aproximándose a 0.94. Esta investigación marca un avance significativo en la segmentación del esófago de Barrett.