La avulsión del músculo elevador del ano (MEA) es una complicación común del parto vaginal y está vinculada a varios trastornos del suelo pélvico. El diagnóstico y tratamiento de estas condiciones requieren la imagen del suelo pélvico y el examen de las imágenes obtenidas, lo cual es un proceso que consume tiempo y está sujeto a variabilidad del operador. En nuestro estudio, propusimos utilizar el aprendizaje profundo (DL) para automatizar la segmentación del MEA a partir de imágenes ecográficas endovaginales 3D (EVUS) para mejorar la precisión y eficiencia diagnóstica. Más de mil imágenes extraídas de los datos EVUS 3D de sujetos sanos y pacientes con trastornos del suelo pélvico se utilizaron para la segmentación automatizada del MEA. Se implementó un modelo U-Net, con las métricas de Intersección sobre Unión (IoU) y Dice utilizadas para la evaluación del rendimiento del modelo. El modelo logró una puntuación media de Dice de 0,86, demostrando un mejor rendimiento que los trabajos existentes. La IoU media fue de 0,76, indicativa de un alto grado de superposición entre la segmentación automatizada y manual del MEA. Tres otros modelos incluyendo Attention UNet, FD-UNet y Dense-UNet también se aplicaron a las mismas imágenes que mostraron resultados comparables. Nuestro estudio demostró la viabilidad y precisión de utilizar la segmentación DL con arquitectura U-Net para automatizar la segmentación del MEA y reducir el tiempo y los recursos requeridos para la segmentación manual de imágenes EVUS 3D. El método propuesto podría convertirse en un componente importante en herramientas de diagnóstico basadas en IA, especialmente en regiones de bajos recursos económicos donde el acceso a recursos de atención médica es limitado. Al mejorar la gestión de los trastornos del suelo pélvico, nuestro enfoque puede contribuir a mejores resultados para los pacientes en estas áreas desatendidas.