Desde su creación, las arquitecturas de aprendizaje profundo han mostrado resultados prometedores para la segmentación automática. Sin embargo, a pesar de los avances técnicos introducidos por las redes neuronales convolucionales totalmente convolucionales, las redes generativas adversariales o las redes neuronales recurrentes, y su uso en arquitecturas híbridas, la segmentación automática en el campo médico aún no se utiliza a gran escala. Una de las principales razones está relacionada con la escasez y calidad de los datos, lo que a su vez genera una falta de datos anotados que obstaculizan la generalización de los modelos. El segundo problema principal se refiere a los desafíos en el entrenamiento de modelos profundos. Este proceso utiliza grandes cantidades de memoria GPU (que pueden exceder las limitaciones del hardware actual) y requiere largos tiempos de entrenamiento. En este artículo, queremos demostrar que a pesar de estos problemas, se pueden obtener buenos resultados incluso al utilizar una arquitectura de recursos más bajos, abriendo así el camino para que más investigadores empleen y utilicen redes neuronales profundas. Para lograr la segmentación de múltiples órganos, estamos empleando técnicas modernas de preprocesamiento, un diseño de modelo inteligente y fusión entre varios modelos entrenados en el mismo conjunto de datos. Nuestra arquitectura se compara con métodos de vanguardia empleados en un desafío de acceso público y los resultados notables demuestran la efectividad de nuestro método.