Las redes neuronales convolucionales han surgido como una herramienta predominante en la segmentación de imágenes médicas musculoesqueléticas. Permite la delineación precisa de huesos y cartílagos en imágenes médicas. Los desarrollos recientes en el procesamiento de imágenes y la arquitectura de redes requieren una reevaluación de la relación entre la precisión de la segmentación y la cantidad de datos de entrenamiento. Este estudio investiga el tamaño mínimo de muestra requerido para lograr una precisión clínicamente relevante en la segmentación de hueso y cartílago utilizando la metodología nnU-Net. Además, se investiga el beneficio potencial de integrar conocimiento médico disponible para la aumentación de datos, una oportunidad en gran parte inexplorada para el preprocesamiento de datos. Se estudia el impacto del tamaño de muestra en la precisión de segmentación de la nnU-Net utilizando tres conjuntos de datos musculoesqueléticos distintos, que incluyen resonancias magnéticas y tomografías computarizadas, para segmentar huesos y cartílagos. Además, se explora el uso de la aumentación informada por el modelo en dos de los conjuntos de datos anteriores mediante la generación de nuevas muestras de entrenamiento implementando un enfoque informado por el modelo de forma. Los resultados indican que la nnU-Net puede lograr una precisión de segmentación notable con tan solo 10-15 muestras de entrenamiento en huesos y 25-30 muestras de entrenamiento en cartílagos. La aumentación informada por el modelo no produjo mejoras relevantes en los resultados de segmentación. Los hallazgos sobre el tamaño de muestra desafían la noción común de que son necesarios conjuntos de datos grandes para obtener resultados de segmentación clínicamente relevantes en aplicaciones musculoesqueléticas.