La segmentación del hígado es un requisito previo para diversas intervenciones hepáticas y es una tarea manual que consume mucho tiempo realizada por expertos en radiología. Recientemente, varias arquitecturas de aprendizaje profundo computacionalmente costosas abordaron este aspecto sin considerar las limitaciones de recursos de una configuración clínica real. En este documento, investigamos las capacidades de un modelo ligero, UNeXt, en comparación con el modelo U-Net. Además, realizamos un análisis amplio a nivel micro y macro de estas arquitecturas utilizando dos funciones de pérdida de entrenamiento: pérdida de dados suave y pérdida focal unificada, y sustituyendo la función de activación ReLU comúnmente utilizada por la nueva función de activación Funnel. También se propone un paso de postprocesamiento automático que aumenta el rendimiento general de los modelos. El entrenamiento y la evaluación del modelo se realizaron en una base de datos pública, LiTS. Los resultados muestran que el modelo UNeXt (activación Funnel, pérdida de dados suave, paso de postprocesamiento) logró un coeficiente de similitud de dados de 0.9902 en los volúmenes completos de CT en el conjunto de pruebas, con 15 veces menos parámetros en casi 4 veces menos tiempo de inferencia, en comparación con su contraparte, U-Net. Por lo tanto, los modelos ligeros pueden convertirse en el nuevo estándar en la segmentación médica y, cuando se implementan a fondo, pueden aliviar la carga computacional mientras se preservan las capacidades de una arquitectura pesada en parámetros.