Las hiperintensidades de sustancia blanca cerebral suelen estar asociadas a enfermedades cerebro vasculares debido al rol ocupado en el decaimiento cognitivo y perdida de funciones motrices en la vejez. Estas lesiones son visibles en imágenes obtenidas de secuencias FLAIR por Resonancia Magnética. El proceso de segmentación automática de estas lesiones es dependiente de las características de la máquina lo que se traduce en una falta de robustez en los algoritmos de segmentación tradicionales. El método desarrollado en este trabajo parte de un conjunto de datos de imágenes FLAIR y T1 proporcionados por el concurso MICAI-2017 obtenidos por máquinas de diferentes características. También se proporcionó el “ground truth” consistente en la segmentación manual de esas lesiones. El método consistió en entrenar un modelo de aprendizaje profundo usando la red U-Net 3D. La red neuronal convolucional aquí propuesta consistió en 28 capas y 22 millones de parámetros entrenables. Finalmente, el resultado de este proceso de segmentación se comprobó con el “ground truth” mediante cinco coeficientes de comparación. Los resultados mostraron que se logró una efectividad del 81% en el aprendizaje usando el coeficiente de DICE para hacer la comparación, sin embargo, también se pudo observar que el modelo identifica con gran grado de precisión las lesiones con información en el eje z. El método propuesto resultó robusto y simple al momento de segmentar imágenes tridimensionales, sin necesidad de tener que segmentar las imágenes tridimensionales a un modelo bidimensional.