Los enfoques convencionales de separación de agua-grasa sufren tiempos de cálculo largos y son propensos a intercambios de agua/grasa. Para resolver estos problemas, proponemos un método de separación de agua-grasa de doble eco basado en aprendizaje profundo. Con la aprobación del IRB, se analizaron datos crudos de 68 exploraciones de doble eco pediátricas clínicamente indicadas, correspondientes a 19382 imágenes con contraste mejorado. Se construyó una red convolucional jerárquica densamente conectada, en la que las imágenes de doble eco y los tiempos de eco correspondientes se utilizaron como entrada y las imágenes de agua/grasa obtenidas utilizando el método de potencia proyectada se consideraron como referencias. Los modelos se entrenaron y probaron utilizando imágenes de rodilla con validación cruzada de 8 pliegues y se validaron en datos fuera de distribución del tobillo, pie y brazo. Con el método propuesto, el tiempo computacional promedio para un conjunto de datos volumétrico con ~400 cortes se redujo de 10 minutos a menos de un minuto. Se logró una alta fidelidad (coeficiente de correlación de 0.9969, error de 0.0381, SSIM de 0.9740, pSNR de 58.6876) y se mitigaron los intercambios de agua/grasa. Es de particular interés que los artefactos metálicos se redujeron sustancialmente, incluso cuando el conjunto de entrenamiento no contenía imágenes con implantes metálicos. Utilizando los modelos entrenados solo con imágenes con contraste mejorado, se predijeron imágenes de agua/grasa a partir de imágenes sin contraste con alta fidelidad. El método propuesto de separación de agua-grasa ha demostrado ser rápido, robusto y tiene la capacidad adicional de compensar los artefactos metálicos.