En los últimos años, el aprendizaje profundo ha logrado buenos resultados en la segmentación semántica de imágenes médicas. Una arquitectura típica para las redes de segmentación es una estructura codificador-decodificador. Sin embargo, el diseño de las redes de segmentación es fragmentado y carece de una explicación matemática. En consecuencia, las redes de segmentación son ineficientes y menos generalizables entre diferentes órganos. Para resolver estos problemas, reconstruimos la red de segmentación basada en métodos matemáticos. Introdujimos la vista de sistemas dinámicos en la segmentación semántica y propusimos una nueva red de segmentación basada en métodos de Runge-Kutta, denominada de aquí en adelante como la red de segmentación Runge-Kutta (RKSeg). Los RKSegs fueron evaluados en diez conjuntos de datos de imágenes de órganos del Decatlón de Segmentación Médica. Los resultados experimentales muestran que los RKSegs superan con creces a otras redes de segmentación. Los RKSegs utilizan pocos parámetros y un tiempo de inferencia corto, sin embargo, pueden lograr resultados de segmentación competitivos o incluso mejores en comparación con otros modelos. Los RKSegs son pioneros en un nuevo patrón de diseño arquitectónico para redes de segmentación.