El objetivo de este estudio es desarrollar un algoritmo de segmentación automática basado en imágenes de TC de los senos paranasales, que realice la identificación automática y segmentación del límite de los senos y sus proporciones inflamadas, así como la reconstrucción de los volúmenes de los senos normales y del sitio inflamado. Nuestro objetivo es superar el actual dilema clínico de calcular manualmente el volumen de los senos inflamados, lo cual es objetivo e ineficaz. Se propuso un algoritmo de aprendizaje semisupervisado que utiliza seudomarcas para el autoentrenamiento de redes neuronales convolucionales, que consistían en SENet, MobileNet y ResNet. Se analizaron un total de 175 conjuntos de TC, 50 de los cuales eran de pacientes que posteriormente se sometieron a cirugía de senos. Se determinó una vista en 3D y un puntaje modificado de Lund-Mackay basado en el volumen y se comparó con los puntajes tradicionales. En comparación con las redes de última generación, nuestras modificaciones lograron mejoras significativas tanto en la segmentación como en la clasificación de los senos, con una precisión promedio de píxeles del 99.67%, un MIoU del 89.75% y un coeficiente de Dice del 90.79%. El sistema de reconstrucción volumétrica de los senos nasales totalmente automático obtuvo con éxito la información detallada relevante al adquirir con precisión los bordes del contorno de los senos nasales en las imágenes de TC. La precisión de nuestro algoritmo ha sido validada y los resultados pueden aplicarse de manera efectiva a la medicina clínica real o a la investigación forense.