El cerebro es el órgano más estudiado utilizando Resonancia Magnética (RM). La aparición de escáneres de 7T ha aumentado la resolución de imágenes de RM a un nivel submilimétrico. Sin embargo, hay una falta de técnicas de segmentación automática para volúmenes de RM de 7T. Esta investigación tiene como objetivo desarrollar un nuevo algoritmo basado en aprendizaje profundo para la extracción de cerebro en la nube y la segmentación de múltiples estructuras a partir de volúmenes de RM de 7T no mejorados. Para este fin, se implementó una U-Net 3D de doble etapa en un servicio en la nube, dirigiendo su primera etapa a la extracción automática del cerebro y su segunda etapa a la segmentación automática de la materia gris, ganglios basales, materia blanca, ventrículos, cerebelo y tronco encefálico. El entrenamiento se realizó en el 90% (el 10% de los cuales se utilizó para validación) y la prueba en el 10% de la base de datos de Glasgow. Se logró un coeficiente de similitud Dice (DSC) medio de prueba del 96.33% para la clase del cerebro. Se lograron DSCs medios de prueba del 90.24%, 87.55%, 93.82%, 85.77%, 91.53% y 89.95% para las clases de estructuras cerebrales, respectivamente. Por lo tanto, la U-Net 3D de doble etapa propuesta es efectiva en la extracción de cerebro y la segmentación de múltiples estructuras a partir de volúmenes de RM de 7T sin ninguna estrategia de preprocesamiento y aumento de datos de entrenamiento, asegurando su reproducibilidad independiente de la máquina.